脑年龄估计差作为脑老化生物标志物的研究进展

林 岚， 张 格， 吴水才

(北京工业大学环境与生命学部生物医学工程系智能化生理测量与临床转化北京市国际科研合作基地, 北京 100124)

在全球范围内，随着老龄人口数量和比例的增长及寿命的不断延长，人口老龄化的趋势变得越来越明显. 与此同时，与年龄相关的认知功能退化和痴呆等神经退行性疾病对社会发展产生的影响也日益严重. 衰老通常会对健康产生负面影响，但衰老过程存在着明显的个体差异. 这可能代表遗传、环境与健康状态等因素对个体的衰老过程有着一定调制作用. 大脑的病态老化已成为当今世界面临的最大的健康问题之一. 认知能力障碍和痴呆症与年龄高度相关，65岁以上老人发病率达13%，而80岁以上老人发病率则近30%[1]，这给患者及其家庭带来了巨大负担[2]. 在人的一生中，由于进行性(如细胞生长和髓鞘形成)和退行性(如细胞死亡和萎缩)的神经元过程，大脑形态会不断发生变化，表现为脑容量[3]、皮层厚度[4]和白质微结构[5]等遵循较特定的发展轨迹. 如果个体对象的脑老化轨迹和典型的大脑老化轨迹间存在较大偏离，则其中可能存在一定的神经病理学影响. 因此，研究者们迫切需要基于大脑神经影像来构建一个可靠和有效的生物标记物，用于识别这种与大脑老化轨迹的偏离以及尝试研究大脑老化过程与疾病风险之间的生物学联系.

为了解决这一问题，Franke教授及其团队[6]在2010年提出了脑年龄估计差(brain age gap estimation，BrainAGE)这一生物影像标记物. 该指标体现的是基于神经影像的脑年龄估计模型所获得的预测脑年龄与实际生理年龄之间的差异，可被用于确定不同年龄受试者的特定健康特征和疾病风险模式. 大脑的老化过程是各种类型脑损伤随机累积所形成的一个基本不可逆过程. 但该过程具有个体异质性，个体对象所受到的脑损害无论在类型还是程度上都存在差异. 因此，大脑的老化过程不会与生理年龄完全同步，而是存在着脑健康老化、正常老化、加速老化等多种不同表现. BrainAGE这一指标可以很好反映出老年对象间在大脑老化过程中存在的异质性损伤. 对应于该指标，正常老化的健康对照组的平均BrainAGE一般趋近于0. 基于这项生物标志物，研究者们就有可能在患者出现病况前早期识别出那些具有较高风险的个体，并在其认知能力出现衰退前采取对应干预措施进行治疗. 随着该生物标志物在研究大脑老化和各种疾病间关系中大量应用，学者们在该领域取得了丰硕的成果.

本文以BrainAGE这种生物标志物的应用为主线，评述了该领域的研究现状和存在的挑战. 首先，简略介绍了基于磁共振成像(magnetic resonance imaging, MRI)对脑老化的研究. 其次，概述了基于神经影像的脑年龄估计模型的总体框架和研究进展. 随后，从遗传学、大脑发育、神经退行性疾病、精神疾病、慢性疾病、认知储备等多方面介绍了BrainAGE在大脑发育与老化过程所取得的研究成果. 最后，讨论该领域存在的问题及指出未来的研究方向.

1 脑老化与脑年龄估计模型

1.1 MRI与脑老化

MRI由于其非侵入性、非辐射性、以及在软组织中的高对比度等特点在临床上被广泛应用于研究大脑的发展和变化. 其中，高分辨率的结构MRI图像是研究各种脑结构变换的理想图像；弥散MRI可用于研究不同脑区之间的白质连接；而功能MRI则被用于研究大脑的功能区域和网络以及它们之间的时间关联. 大脑老化过程中的2种常见的脑损伤如表1所示. 脑萎缩在衰老的大脑中极为常见，它一般表现为随脑实质体积减少而出现的脑形态改变. 脑萎缩同时影响灰质和白质，脑室、脑沟和脑脊液间隙在脑萎缩时也随之增大. 虽然脑萎缩在大脑老化过程中无处不在，但其萎缩程度因人而异，萎缩的速度在不同的脑区间有所不同. 据估计60岁以后，脑实质的总体积损失每年约为全脑总体积的0.5%[7-8]. 与正常脑老化相比，神经退行性疾病患者的脑萎缩发生率更高. 在一定程度上，BrainAGE指标可以从萎缩的空间模式和轨迹上来解释脑萎缩中存在的个体差异. 白质病变是指在脑白质中出现的异常信号强度斑块以及白质纤维束的损伤. 这些损伤一般被认为与脑老化过程中大脑的血管变化和脑缺血有关. 白质病变在大脑老化过程中非常普遍，甚至在健康老化的退化轨迹中也常常看到白质病变，它往往是脑卒中和其他脑血管疾病的前兆.

表1 脑老化中常见的脑损伤Table 1 Common brain injuries during the brain aging

1.2 基于机器学习的脑年龄预测模型

为了确定个体脑发展轨迹与认知功能障碍和年龄相关脑疾病的风险，大量基于先进的机器学习技术的脑年龄预测模型被开发[9]. 估计大脑年龄是一种有监督的机器学习问题，模型的输入一般为各种模态的MRI图像，输出为预测的脑年龄. 模型主要分为特征提取、特征选择/降维和学习模型训练步骤. 在特征提取过程中，需要对MRI数据进行处理和加工，将原始影像数据转换为对脑年龄预测有效的特征，如灰质密度、皮层厚度等. 它们对应的特征维度可能从数十维(脑区)到上百万维(体素). 因此，后续一般需要采用过滤法、包裹法或嵌入法等对特征进行筛选；或基于特征间的关系，通过组合不同的特征得到新的特征来实现对初始特征的降维处理. 这样就可以从包含大量特征的特征全集中提取仅包含少量关键特征的特征子集. 最后，这个特征子集被送入机器学习模型，如神经网络、支持向量回归或相关向量回归模型中进行训练. 对近几年研究中出现的一些典型的脑年龄预测模型进行了概括和总结，如表2所示. 从模型精度来看，这些模型的预测误差基本都可以达到4～5 a平均绝对误差(mean absolute error，MAE). 相对于传统的机器学习模型，深度学习模型[10]近年来也被用于实现端到端的预测.

表2 典型的脑年龄预测模型比较Table 2 Comparison of typical brain age prediction models

2 BrainAGE生物标志物的研究应用

BrainAGE生物标志物有多个不同的应用领域，下面将从遗传学、大脑发育、神经退行性疾病、精神疾病、慢性疾病、认知储备等多方面进行介绍，其中BrainAGE与疾病间的关系如下.

2.1 遗传学

现代医学认为疾病是由于先天的基因体质和后天的外在因素共同作用的结果. 但到底是先天因素还是后天因素为引发疾病的主因是学界中一项长期存在争议的问题. 近期发表于《Nature Genetics》期刊的一篇文章通过对近4 500万美国人中560种疾病数据的调研[19]，发现近40%的疾病源于先天遗传，而后天因素仅部分驱动了25%的疾病. 不同疾病与遗传的关系存在较大差异，但认知功能障碍被发现是与遗传高度相关的一类疾病. ApoE是一种包含ε2、 ε3 和 ε4三个等位基因亚型的载脂蛋白，通过1个氨基酸位点的替换，可以产生6 种基因型[20]. ε4基因亚型与阿尔兹海默症(Alzheimer’s disease, AD)的遗传性关系密切，是散发性AD的危险因子. Löwe等[21]通过对健康受试组(normal control, NC，N=107)、轻度认知障碍(mild cognitive impairment, MCI,N=148)患者组以及AD患者组(N=150)的BrainAGE进行统计比较, 发现BrainAGE生物标志物和受试对象的认知测试成绩高度相关. 基于BrainAGE和ApoE携带状态的COX回归模型相对于传统模型，可以更精准地预测MCI患者向AD转化的概率. Glorioso等[22]基于转录组测序的一项研究也显示，较高的BrainAGE分数对应着较高的患有AD、帕金森病风险，而较低的BrainAGE分数会减低ApoE ε4携带者患AD的概率. AD的发病率直接与年龄相关，对于到底是大脑的加速衰老会导致AD，还是AD会以某种方式触发大脑的加速衰老，这项研究的结果表明大脑加速脑老化更可能是触发AD的某种原因，而不是其结果. 大脑加速脑老化和ApoE ε4携带间存在一定的协同作用，因此对大脑加速老化的干预，有可能在显著降低ApoE ε4携带者患AD风险的同时，延缓AD的病程发展.

2.2 大脑发育

在人类的童年和青少年期，神经发育是一个高度协调和有序的事件，既包含细胞生长和髓鞘形成的进行性过程，又包含突触修剪的退行性过程. 多项研究结果显示一些主要的精神疾病的病因来源于儿童和/或青少年时期大脑的异常发育[23-24]. 一项对早期早产儿(胎龄小于27周)和晚期早产儿(胎龄大于27周)的对比研究显示，尽管早期早产组与晚期早产组出生时的胎龄差仅为5周左右，但他们在青春期时的BrainAGE差距会达到1.6 a[25]. 这表明在青少年期，早期早产儿会表现出明显的大脑发育迟缓的迹象. 产前营养不良无论在发展中国家，还是在工业化国家都是一个普遍现象. 它会对发育中的大脑造成不可逆转的损害，导致成年期大脑结构改变和认知功能下降. 一项基于BrainAGE的定量研究[26]显示产前营养不良与中老年期大脑的加速衰退状态有关，这有力地支持了孕期充足营养供应对胎儿的重要性.

2.3 神经退行性疾病

神经退行性疾病是由神经元及其髓鞘退化所致,其病理改变主要表现为2种形式: 一种是由细胞凋亡而引起的大量神经元丢失; 另一种则是神经细胞出现结构和功能的进行性、退行性变性. 按病程进展速率其可被分为急性和慢性两大类. 急性神经退行性疾病主要包括脑缺血 、脑损伤 、癫痫、艾滋病感染等；慢性神经退行性疾病一般发作迟缓，具有选择性神经元的功能障碍，包括MCI、AD、帕金森病、亨廷顿氏舞蹈病、肌萎缩性脊髓侧索硬化症等. 外伤性脑损伤会导致大脑结构和功能的长期改变. Cole等[27]通过对99位外伤性脑损伤患者的BrainAGE指标分析，发现从灰质老化的角度出发，这些患者的平均BrainAGE为4.66 a；而从白质老化的角度出发，这些患者的平均BrainAGE为5.97 a. 同时，这些患者的BrainAGE与基线零值间的偏差与脑损伤程度高度相关. Pardoe等[28]通过对94例难治性局灶性癫痫患者的研究，发现他们的BrainAGE平均为4.50 a. 这一发现表明，医学上长期难以治愈的局灶性癫痫在一定程度上会加速大脑的老化过程，这也为癫痫相关的认知能力下降提供了一个潜在的生物学解释机制. 尽管联合抗逆转录病毒治疗有效地抑制了艾滋病病毒，但艾滋病与多种老年高发性疾病的高风险有关. 162例艾滋病患者的脑图像分析结果[29]显示他们与NC组间在平均BrainAGE上存在显著差异，艾滋病患者组的BrainAGE平均比NC组大3 a左右. 艾滋病患者的BrainAGE与患病年龄和患病时间并没有显著相关. 这表明艾滋病患者患病初期的某些过程增加了老化相关损害的负担，但这种负担随着时间的推移会保持静态. AD是最常见的痴呆症，以进行性认知功能障碍和行为损害为特征. 它被分为AD阶段、痴呆导致的MCI阶段以及无症状临床前AD阶段. Franke等[6]发现轻度AD患者的BrainAGE约为10 a. 在随后的纵向研究中[30]，他们将所获取的对象分为NC组、稳定型MCI患者组、转化型MCI患者组和AD组. 结果显示基线MRI扫描数据对应于这4组对象的平均BrainAGE分别为-0.30、-0.48、6.19、6.67 a. 纵向随访跟踪结果显示，4组对象平均BrainAGE的年度变化率分别为0.12、0.07、1.05和1.51. 这表明转化型MCI和AD患者，存在着与病程持续时间相对应的加速老化. Gaser等[31]将MCI患者进一步分为稳定型MCI患者组、早期转化型MCI患者组(MCI在12个月内向AD转化)和晚期转化型MCI患者组(MCI在12个月后向AD转化). 结果显示稳定型MCI患者组的平均BrainAGE仅为0.75 a，而早期转化型MCI患者组和晚期转化型MCI患者组的平均BrainAGE分别为5.60、8.70 a. 相对于传统生物标志物，BrainAGE可以更好预测MCI向AD的转化. MCI患者的BrainAGE得分每增加1 a，其转化为AD的风险就会增加10%.

2.4 精神疾病

精神疾病是一种影响大脑处理信息方式的疾病，一般存在与现实的关系受损. Koutsouleris等[32]基于BrainAGE指标，对精神分裂症(N=141)、重度抑郁症(N=104)、边缘型人格障碍(N=57)、精神病高危群体(N=89)4组精神疾病患者的脑图像进行分析. 发现他们的平均BrainAGE分别为5.50、4.00、3.10、1.70 a. 对于重度抑郁症和边缘性人格障碍患者，患者的发病年龄越早，对应的BrainAGE分数也越高，这可能表明某些精神疾病具有年龄依赖性. Nenadi等[33]的研究也显示精神分裂症患者存在大脑加速老化(BrainAGE分数为2.56 a)，而双相情感障碍患者的平均BrainAGE(-1.25 a)与健康对照组(-0.22 a)的平均BrainAGE间无显著差异(p=0.34).

2.5 慢性疾病

伴随着老龄化，各种慢性疾病层出不穷. 其中最具代表性的就是“三高”类慢性疾病. 高血压患者在未发生临床脑卒中之前，脑形态、功能以及脑网络已经产生了无症状的损害. 林岚等[34-35]通过对高血压患者组(N=34)神经影像的分析，发现他们的平均BrainAGE为5.60 a左右，而NC组的平均BrainAGE趋向于0. 慢性高血糖与血管疾病和导致神经元损伤的神经毒性高度相关. Franke等[36]的研究显示二型糖尿病患者组(N=34)的平均BrainAGE为4.4 a左右. 糖尿病病程越长，BrainAGE指标也越高. 高血脂是威胁中老年人心脑血管病健康的主要疾病之一. 林岚等[37]通过对NC的BrainAGE与体质量和身体质量指数进行相关分析发现，尽管NC组平均BrainAGE趋近于0，但个体对象的BrainAGE与体质量和身体质量指数存在显著相关. 在目前的研究中，对于NC个体对象，BrainAGE与基线零值间一般还存在一定的偏差. 从上面的研究结果可以发现高血压、高血糖与高血脂这些慢性疾病在一定程度上会导致这种偏差.

2.6 认知储备

在神经病理损伤相同的情况下，高认知储备的个体所表现出来的认知功能障碍比低认知储备的个体少. 认知储备水平的高低被发现与受教育的程度、职业类型的复杂度 、休闲活动的参与度 、童年期IQ和社交网络的完整性等多种因素高度相关[38]. 认知储备代表了大脑长期以来的一种“储备”机制,不仅可以延缓 AD 患者的临床表现、帮助老年人保留较为完整的认知能力，并且可以减缓多种神经系统疾病带来的认知损伤. 音乐创作是一项涉及高度脑力活动的专业工作，对大脑和认知发展存在广为人知的影响. Rogenmoser等[39]发现 “音乐创作状态”对脑老化过程有着显著影响. 相对NC组(N=38, BrainAGE=-0.48)，业余音乐家组(N=45)和专业音乐家组(N=42)的BrainAGE分数分别为-4.50、-3.70 a. 其中，专业音乐家的BrainAGE分数与音乐创作的时间呈正相关的关系. 业余音乐家组的BrainAGE分数值最低，这可能意味着，专业水平的音乐创作活动中存在的压力在一定程度上会削弱音乐创作的积极作用. 冥想是一项引起人们对健康和幸福感的兴趣活动. Luders等[40]通过对50位长期冥想者的MRI图像进行分析，发现当他们年龄为50岁，冥想者的BrainAGE会比NC组的同龄对象小7.50 a. 50岁以后，长期冥想者的BrainAGE每年还会减少52 d. 这显示长期冥想对大脑有着终身持续的保护作用. 丰富环境刺激常在动物实验中被用于研究认知储备对认知的促进作用. 田苗等[41]发现显示接受丰富环境刺激的小鼠有着比实际年龄更年轻的大脑. 同时，BrainAGE与丰富环境刺激时间存在显著的负相关关系.

3 讨论与结论

作为一种评价脑健康状态的生物标志物，BrainAGE的稳定性和可重复性是非常关键的. 因此，Franke等[30]在同一台1.5 T MRI扫描仪上在短时间间隔内对20名NC受试者进行了2次MRI扫描，并计算他们的BrainAGE. 结果显示第1次与第2次扫描间的BrainAGE分数没有显著差异(p=0.60)，它们的类内相关系数为0.93. BrainAGE指标具有很强的扫描- 再扫描稳定性. 为了分析不同MRI扫描仪和场强强度对BrainAGE估计稳定性的影响，他们进一步对60名NC受试者, 短时间内在1.5 T和3.0 T两台MRI扫描仪上进行扫描. 结果表明，场强会影响脑年龄估计的结果，不同场强获取的BrainAGE分数需要进行一定校正后才可以相互比较. 校正后，2次扫描的 BrainAGE类内相关系数为0.90，2组得分无显著差异. 脑年龄模型在数据来自不同的扫描仪和场强情况时也具有强大可靠性和通用性.

当然，该指标在实际使用中还是有一些需要注意的地方，BrainAGE得分在一定程度上会受性别和药物的影响. 在一个月经周期中，由于激素水平的变化，女性受试者的BrainAGE会存在波动的现象. 研究显示[42]对于同一女性受试者，从月经期到排卵期，BrainAGE会下降1.30 a，排卵后则会慢慢回升. 较低的BrainAGE分数与较高的雌二醇激素水平相关. 另外，女性怀孕和生产期会存在极度的荷尔蒙波动. 通过对产后晚期(生产后4～6周)女性和产后早期(生产后1～2 d)女性的BrainAGE对比，研究者发现产后晚期女性会比产后早期女性大脑平均年轻5.40 a. 这表明生产后极度的荷尔蒙波动，导致大脑的形态也会在一定时间内出现波动[43]. 药物的服用状态也可能对BrainAGE估计产生一定影响，布洛芬是一种通过抑制环氧化酶，减少前列腺素的合成，产生镇痛、抗炎作用的药物. 研究显示服用200和600 mg布洛芬分别降低了BrainAGE分数1.18 a和1.15 a[44].

作为一种生物标志物，BrainAGE的最终目标是应用于个体对象的临床诊断. 当前该领域的大部分研究一般使用统计测试的方法与NC组对比，通过p值来衡量差异，从平均意义上得出异常. 而对个体对象分类与预测研究通常是由准确率来衡量的，往往更多用于神经退行性疾病这种脑结构变化差异较大的场合. 对于脑年龄估计模型，在全年龄段最准确的预测结果一般的MAE为4～5 a，这一点一定程度上限制了BrainAGE指标的个体应用. 但可以看到，对于健康对象构建的模型，其误差一般由2个部分组成. 一部分为机器学习模型本身的误差，这需要采用新技术和调参来降低. 另外一部分则是各种慢性病和亚健康状态对大脑的损伤，以及各种认知储备促进活动对大脑的保护作用的综合反映. 这部分信息具有重要的临床价值，未来需要进一步从BrainAGE指标中进行提取. 伴随着模型误差的减低和重要健康信息的提取，BrainAGE的个体应用范围也会不断扩大.

机器学习在神经影像学领域已有20多年的历史，尽管许多基于机器学习的研究都取得了不错的结果，但它离融入临床医疗还有一定距离. 其中一项重要限制因素是有限的样本量. 从表2中总结的用于构建脑年龄估计模型的样本量来看，绝大多数模型所用的样本量只有几百，这和机器学习的其他领域的数据量相比而言还是较少的. 样本量的大小直接影响分类器的性能. 同时，大的训练数据集代表疾病的整个谱，可以减少疾病异质性的问题. 当然，这一问题会随着英国生物银行[45]这样的超大规模生物标志物和影像库的出现而得到缓解. 近年来，深度学习方法在图像分类和预测方面取得了显著的进步. 与传统的机器学习方法相比，它能够实现数据驱动的自动特征学习. 这一重要功能消除了选择相关特征的主观性，特别是在存在太多特征或选择特征的先验知识不确定的情况下. 另外，与传统的浅层模型相比，深度学习通过应用非线性层的层次结构，能够建立非常复杂的数据模型，有可能进一步提升脑年龄预测模型的精度.

总之，对BrainAGE生物标志物的更广泛应用持乐观态度，讨论中存在的不少问题都是可以避免或解决的，预计未来该指标在神经科学中会具有更光明的前景.