编辑推荐：
为探究不同强度身体活动（PA）对脑年龄的影响，研究人员利用英国生物银行数据，以 Light Gradient - Boosting Machine（LightGBM）估计脑年龄，发现 PA 与脑年龄差距（BAG）呈 U 型关系，为改善脑健康提供预防策略。
在人体衰老的过程中，大脑总是不可避免地受到影响。由于遗传和环境因素，每个人大脑衰老的程度和速度都不一样。随着年龄的增长，大脑结构会发生变化，科学家们想到利用这些变化来估算大脑的 “年龄”，这个 “年龄” 和实际年龄的差值，也就是脑年龄差距（BAG），可以用来衡量大脑加速衰老的程度。
一直以来，脑年龄预测模型在研究大脑与各种健康状况的关系中发挥了重要作用，像是痴呆、抑郁等疾病。然而，影响脑年龄的因素众多，人们对其中一些因素的了解还很有限，比如生物学、环境和生活方式等因素与 BAG 的关联，目前被研究清楚的还比较少。
身体活动（PA）作为一种可能影响大脑健康的生活方式因素，备受关注。以前有不少研究都提到 PA 和大脑结构之间存在联系，像灰质结构、海马体体积等。但这些研究大多采用主观的自我报告数据来衡量 PA，这种方式很容易出现回忆偏差，特别是在区分活动强度和水平时。而且，关于客观测量的 PA 和脑年龄之间的关系，相关研究少之又少。所以，探究两者之间的联系，对于推动公共健康发展和优化治疗策略意义重大。
为了解开这些谜团，来自相关研究机构的科研人员开展了一项极具意义的研究，该研究成果发表在《Health Data Science》上。
研究人员从英国生物银行（UKB）这个庞大的数据库中获取数据，这个数据库拥有大量的神经影像和身体活动测量信息。他们运用一种名为 Light Gradient - Boosting Machine（LightGBM）的集成学习方法来构建脑年龄预测模型。这个模型可厉害啦，它能从超过 1400 个图像衍生表型（IDPs）中，通过数据驱动的特征选择，精准地预测脑年龄。
为了确保研究的准确性和可靠性，研究人员进行了一系列严谨的操作。在数据收集阶段，从 UKB 招募的 50 多万成年人中筛选出符合条件的参与者，这些参与者需要有有效的 T1加权神经影像数据和加速度计测量数据。同时，还仔细记录了参与者的各种信息，像社会人口学特征、生活方式因素等，这些都被当作潜在的混杂因素在后续分析中进行调整。
在脑年龄预测模型构建方面，研究人员先是利用 LightGBM 算法对 1425 个 IDPs 进行评估，通过树基特征重要性排名筛选出前 50 个重要特征，接着采用监督距离法和层次聚类去除冗余特征，最终确定了 20 个最具预测性的特征来构建模型。而且，为了减少 BAG 与年龄相关变量之间可能存在的虚假相关性，研究人员还对脑年龄进行了校正。
在测量 PA 时，参与者需要佩戴 Axivity AX3 三轴加速度计连续 7 天，加速度计会以 100Hz 的频率记录三轴加速度。根据活动强度的不同，研究人员区分出了轻强度身体活动（LPA）、中等强度身体活动（MPA）、高强度身体活动（VPA）以及中等至高强度身体活动（MVPA）。
研究人员还对参与者进行了认知功能评估和脑疾病诊断。认知评估通过 10 项认知测试来完成，而脑疾病则依据国际疾病分类第 10 版（ICD - 10）代码，从 UKB 的各种健康记录中提取确定。
在统计分析阶段，研究人员运用了广义相加模型（GAMs）来探究 PA 和 BAG 之间的非线性关系，同时使用线性模型分析 PA 四分位数与 BAG 的关联，还进行了中介分析，以确定 BAG 是否在 PA 与认知功能、脑疾病之间起到中介作用。
经过一系列复杂而严谨的研究过程，研究人员收获了许多重要成果。
在脑年龄预测模型方面，该模型展现出了出色的性能。未校正时，模型的平均绝对误差（MAE）为 3.65 年，校正后 MAE 降低到 3.03 年，这意味着模型预测的准确性大大提高。而且，通过交叉验证和独立测试集验证，证明了模型具有很强的泛化能力。
在 PA 与 BAG 的关系研究中，研究人员发现 LPA、MPA、VPA 和 MVPA 与 BAG 都呈现出近似 U 型的关系。这表明无论是 PA 水平不足还是过量，都会对大脑衰老产生不利影响。进一步分析 PA 四分位数与 BAG 的关系时发现，较高的 PA 四分位数与降低的 BAG 显著相关，也就是说，适量增加 PA 可能有助于减缓大脑衰老。
中介分析的结果也很有意思，研究发现 BAG 在 PA 与认知功能、脑疾病之间起到了部分中介作用。比如，VPA 和 MVPA 对反应时间的影响，以及 VPA、MPA 和 MVPA 对某些脑疾病的影响，都有一部分是通过 BAG 来实现的。这说明 BAG 可能是一个重要的中间指标，反映了 PA 对大脑健康影响的内在机制。
在 PA 与大脑结构的关联研究中，研究人员发现 PA 与多个 IDPs 存在显著关联。例如，BrainSegVol - to - eTIV（全脑）的体积比以及 WM - hypointensities（全脑）的体积与不同强度的 PA 都有密切关系。此外，一些特定的大脑区域，如扣带回峡部、前扣带回喙部等皮质区域，以及尾状核、壳核等皮质下区域，与 MPA 的关联最为显著。
综合来看，这项研究成果意义非凡。它首次在大规模人群中，利用客观测量的 PA 数据，揭示了 PA 与 BAG 之间的 U 型关系，为人们理解 PA 对大脑健康的影响提供了全面而深入的视角。这一发现为制定个性化的脑健康预防策略提供了有力依据，告诉人们保持适量的身体活动，无论强度如何，都可能有助于维持大脑健康，减缓大脑衰老。
不过，研究也存在一些局限性。由于数据是横断面的，无法确定 PA 和脑年龄之间的因果关系，这就需要后续开展纵向研究来进一步证实。而且，UKB 队列主要是白人，样本可能不能完全代表一般人群，这可能会对研究结果的普遍性产生一定影响。但尽管如此，这项研究依然为该领域的后续研究指明了方向，激发了更多科研人员去深入探索身体活动与大脑健康之间的奥秘。
