|
痴呆是老年人常见的神经系统疾病，多伴有脑萎缩表现。既往曾有研究利用智能算法，提出痴呆患者皮层厚度较同龄正常人减少，但能否在早期通过皮层厚度对出现痴呆的可能性进行预判仍不明确。近日，一项研究利用卷积神经网络（Convolutional neural network, CNN）构建年龄预测模型，并基于实际年龄-预测年龄的差异（Brain age gap, BAG），提出了一种痴呆风险预测的新方法。  该研究利用3D-CNN，对MRI数据进行分析。其中，CNN由15层结构所构成；输入层为3D灰质密度图；卷积核为三维结构；除纳入MRI数据外，在网络末端加入患者性别信息，以提高CNN的预测能力。同时，该研究借助注意力地图（Attention map, AM）对最有预测价值的脑区进行了分析。  该研究借助Rotterdam数据集对CNN的预测能力进行了分析。Rotterdam数据集来自一项针对于老年人群的队列研究，共包含14926例被试。排除进行MRI扫描前已出现痴呆表现的部分患者，共有5656例被试纳入了本项CNN研究。在随访过程中，5656例被试中159例后期出现痴呆表现，剩余5497例无痴呆及脑卒中发生。训练集/验证集/测试集的划分如下表所示。  同时，该研究以BAG为自变量、以随访过程中是否出现痴呆事件为因变量，借助Logistic回归模型及Cox比例风险模型，进一步明确MRI在痴呆风险预测中的意义。 结果显示，CNN预测的平均绝对误差（Mean absolute error, MAE）为4.45±3.59岁，预测年龄与真实年龄的相关程度为0.85（图A）。间隔1年的多次MRI测量提示组内相关系数（Intraclass correlation coefficient，ICC）为0.97（图B）。  基于AM的结果显示，海马及杏仁核皮质厚度与年龄预测关系最为密切（图A）。上述变化随着年龄的增加逐渐显著（图B）。  在对灰质体积、额外灰质体积、白质体积、海马体积、教育年龄及致病基因携带状态等混杂因素进行校正后，基于Logistic回归模型的显示，BAG每增加1岁将使痴呆事件的发生比提高9%（OR=1.09， 95%CI 1.04-1.14）；基于Cox比例风险模型也显示，BAG显著地提高了发生痴呆事件的风险（HR=1.09， 95%CI 1.04-1.14）。  基于不同BAG值的生存曲线分析也显示，不同BAG值的被试在未来发生痴呆事件的风险不同，高BAG值（Highest quintile）出现痴呆的可能性更高。 
参考文献： Johnny Wang. et al. Gray Matter Age Prediction as a Biomarker for Risk of Dementia. Proc Natl Acad Sci U S A. 2019 Oct 15;116(42):21213-21218. |
|
|
