我们都知道，人类认知能力会随年龄增长而下降。 神经科学家早就知道，这种下降与大脑的解剖结构变化相关。 因此，很容易想到利用大脑的核磁共振成像（MRI）来辨识衰老的迹象，甚至还可以确定“脑龄”。
此外，大脑年龄和实际年龄（chronological age）之间的差异还有可能揭示诸如痴呆症等病症的发生。
但是，整个分析过程十分漫长，因为需要对MRI数据进行大量的预处理才能识别出大脑的年龄特征。这些预处理包括从MRI图像中去除非脑组织如头骨，还包括大脑白质、灰质以及其他组织的分类，以及利用各种数据平滑技术去除图像伪影等。
所有这些数据处理最终可能耗费超过24小时，这对医生的临床诊断是极为不利的，甚至是一大障碍。
近日，来自伦敦国王学院的乔瓦尼·蒙大拿（Giovanni Montana）研究团队利用MRI扫描仪的原始图像来训练其研发的深度学习机（deep-learningmachine），使其能够自动识别大脑年龄。
这种深度学习技术只需要几秒钟，甚至病患在扫描仪中接受检查时，就能告知医生准确的大脑年龄信息，这将为医生做出正确的临床诊断提供十分可靠、有用的信息。
这种方法是标准的深度学习技术。蒙大拿及其同事利用超过2000张年龄在18岁至90岁之间的健康大脑MRI扫描图像，并且所有样本都没有任何可能影响大脑年龄的神经系统疾玻所以，这些样本的大脑年龄与其实际年龄都是相符合的。
其中，每一幅扫描图像都是标准的T1加权MRI扫描获得的，这与大多数现代MRI扫描仪输出的类型一致。采集过程中，每一次扫描都会标注上测试者的实际年龄。
研究者利用总图像集的80％来训练卷积神经网络，以通过大脑MRI扫描图像确定待测大脑的年龄。 此外，研究者还使用剩余图像集中的200张图像来验证该“脑龄”识别过程。
最后，研究者利用剩余的20%图像测试该深度学习神经网络，以确定其测量大脑年龄的准确程度。
同时，该团队将其提出的深度学习技术与传统大脑年龄测定方法进行了比较。传统“脑龄”测定需要大量的图像处理工作以识别出大脑白质和灰质区域，然后进行称为高斯过程回归（Gaussian process regression）的统计分析。
结果十分有趣。
对于给定预处理数据进行分析时，深度学习方法和高斯过程回归方法都能准确地测定患者的实际年龄，并且两者的误差都小于5年。
但是，对于给定原始MRI数据时，深度学习方法表现出明显的优势，测定结果平均误差只有4.66年。相比之下，标准高斯过程回归方法则表现不佳，只能给出平均误差几乎达到12年的粗略年龄。
此外，相比于传统标准方法需要长达24小时的数据预处理，深度学习方法的分析只需几秒钟。深度学习方法所需的唯一数据预处理是确保原始图像的取向一致以及图像之间的像素尺寸一致。
这种快速测定对于医生有重大意义。
蒙大拿团队称：“利用这种深度学习软件，当患者仍在扫描仪中时，就能向临床医生提供有关大脑年龄的预测数据，”
此外，该团队还对比了使用不同扫描仪获得的图像，以表明该深度学习技术可用于全球不同地区、不同机器的扫描结果。
研究者还对比了双胞胎的大脑年龄，表明大脑年龄如何与遗传因素相关联。有趣的是，这种相关性随年龄增长而下降，这表明环境因素随着时间的推移变得更加显着，暗示了未来研究的一个方向。
总的来说，这是一个振奋人心的技术突破，有望显著影响临床医生的诊断方法。大量证据表明，糖尿并精神分裂症和创伤性脑损伤等病症与加快的大脑衰老相关。因此，一种快速、准确地测定大脑衰老特征的方法可能对未来临床医生处理这些疾病的方式产生重要影响。
蒙大拿团队称:“大脑年龄预测代表了一种准确、高度可靠和遗传有效的表型，有望被用作大脑衰老的生物标志物。”
