基于金字塔挤压激励Transformer的跨数据集自适应与偏置约束脑龄预测新方法

为解决MRI数据跨数据集差异导致的脑龄预测偏差问题，中国科学院大学团队提出PSET-DABC模型，融合3D Inception模块与自注意力机制，在15,437例健康人T1-MRI数据上实现MAE=2.342年的精准预测，并通过可视化揭示枕叶等关键脑区与阿尔茨海默病的异常衰老关联。

　　

研究背景与意义
脑龄预测作为量化大脑衰老进程的关键生物标志物，在阿尔茨海默病(AD)等神经退行性疾病的早期筛查中具有重要价值。然而现有模型面临三大挑战：MRI数据因扫描设备和协议差异导致的跨数据集泛化困难、对长程依赖特征捕捉不足，以及普遍存在的"年轻高估-老年低估"预测偏倚。传统卷积神经网络(CNN)虽能提取局部特征，但难以建模全脑范围的关联；而纯Transformer架构在小样本MRI数据上易过拟合。更棘手的是，不同医疗中心采集的数据分布差异使得模型在实际应用中性能骤降，亟需创新解决方案。

中国科学院大学计算机科学与技术学院团队在《Neurocomputing》发表研究，提出金字塔挤压激励Transformer(PSET-DABC)模型。该工作通过3D Inception模块与Squeeze-and-Excitation(SE)注意力机制的协同设计，结合元学习(MAML)和新型损失函数，在15,437例5-97岁健康人T1-MRI数据上实现2.342年的平均绝对误差(MAE)，较传统模型提升19.2%。研究不仅首次发现枕叶等脑区与年龄预测的强相关性，更通过跨数据集验证将预测误差从4.169年降至3.856年，为临床提供高鲁棒性的脑衰老评估工具。

关键技术方法
研究采用18个公开数据集的15,437例T1-MRI，通过3D卷积降采样后输入金字塔架构：①底层使用3D Inception模块提取局部特征；②中层引入SE-Transformer块，将768×768×768体素分割为32×32×32的立方块进行自注意力计算；③采用包含对比学习的自监督预训练和MAML元学习策略增强跨数据集适应性；④设计分位数损失函数和年龄分布正则化项消除预测偏置。

研究结果
模型架构
PSET的层级设计显著提升特征提取效率：3D Inception模块通过多尺度卷积核(7×7×7、5×5×5、3×3×3)捕获局部形态学特征，而SE-Transformer通过通道注意力加权不同脑区的特征重要性，计算效率较标准Transformer提升47%。

跨数据集验证
在包含ADNI、ABCD等外部数据集测试中，PSET-DABC的MAE为3.856年，显著优于SFCN(4.169年)和ViT(4.892年)。消融实验显示，MAML组件使模型仅需50例新数据集样本即可达到85%的峰值性能。

疾病关联分析
AD患者脑龄差(BAG)达+6.24年(p<0.001)，显著高于健康组。可视化热图显示，模型预测主要依赖枕叶灰质厚度(β=0.38)和侧脑室三角区体积(β=0.41)，与已知的AD病理特征高度吻合。

结论与展望
该研究开创性地将元学习引入脑龄预测领域，PSET-DABC模型在精度(MAE 2.342年)、泛化性(跨数据集误差降低7.5%)和无偏性(年龄偏置减少63%)三个维度实现突破。发现的枕叶-侧脑室通路为理解大脑衰老机制提供新视角。未来可扩展至多模态MRI融合分析，Yixiao Hu等作者指出，该框架有望推广到其他医学影像的跨中心研究，推动精准医疗发展。