基于混合特征融合与随机回归网络的脑龄预测：MRI揭示健康成人皮层结构随龄变化规律

本研究针对传统CNN模型在脑龄预测中难以捕捉全局特征的问题，创新性地结合Vision Transformer(ViT)与ResNet-50提取全脑MRI的局部与全局特征，通过l1正则化随机向量函数链接(RVFL)网络实现高精度预测（MAE=2.34年），并发现阿尔茨海默病(AD)患者存在显著脑龄差异，为神经退行性疾病早期诊断提供了新型生物标志物。

　　

随着全球老龄化加剧，脑健康评估成为重大医学挑战。传统脑龄预测方法依赖手工提取的形态学特征，而卷积神经网络(CNN)虽能自动提取特征，却难以捕捉全脑范围的时空关联。更棘手的是，阿尔茨海默病(AD)等神经退行性病变在临床症状出现前数年就已引发脑结构改变，亟需开发能同时反映局部细节与全局变化的精准预测模型。

来自国内研究机构的研究团队在《Biomedical Signal Processing and Control》发表创新成果，提出融合Vision Transformer(ViT)与ResNet-50的混合特征提取框架，结合l₁正则化随机向量函数链接(RVFL)网络，实现了目前最精确的脑龄预测（MAE 2.34年）。该研究首次系统揭示了健康人群右半球皮层变薄等随龄变化规律，并证实脑年龄差(BAG)可作为AD早期筛查的有效生物标志物。

关键技术方法包括：1）从3D T1加权MRI中基于熵值筛选信息量最大的2D切片；2）并行使用ViT捕捉全局注意力特征与ResNet-50提取局部卷积特征；3）采用Split Bregman迭代算法优化l₁-RVFL网络，提升特征稀疏性；4）基于ADNI等公开数据库的1,070例健康对照(HC)和380例AD/MCI患者数据进行验证。

【相关研究】

文献综述指出，传统方法依赖皮层厚度(CT)等手工特征，而深度学习能自动提取全脑特征。但CNN对长程依赖建模不足，ViT则通过自注意力机制弥补该缺陷，二者特征融合成为技术突破点。

【方法论】

研究设计包含三阶段：1）预处理阶段通过熵值筛选最具信息量的MRI矢状面切片；2）特征提取阶段采用ViT与ResNet-50双通道网络，分别获取全局上下文与局部解剖特征；3）回归阶段通过l₁-RVFL网络实现特征选择与年龄预测，其稀疏约束使模型参数量减少37%。

【结果与讨论】

在1,070例HC测试中，混合模型MAE显著低于单一模型（ViT单独为3.01年）。AD患者组BAG达6.8年，显著高于HC组(p<0.001)，证实该方法对异常衰老的敏感性。皮层分析发现30-50岁群体右半球CT每年减少0.016mm，而左半球仅0.009mm，揭示大脑不对称老化模式。

【结论】

该研究创立了首个结合ViT与CNN优势的脑龄预测框架，其l₁-RVFL网络通过特征选择提升了解释性。发现右半球更易受衰老影响的现象为脑老化机制研究提供了新方向。临床验证表明BAG可作为AD筛查的量化指标，未来或能应用于帕金森病(PD)等神经退行性疾病的早期预警系统。