Interpretable deep learning reveals spatiotemporal MRI features of brain aging that align with neurodegeneration
可解释深度学习揭示与神经退行性病变一致的脑老化时空磁共振成像特征
《GeroScience》:Interpretable deep learning reveals spatiotemporal MRI features of brain aging that align with neurodegeneration
编辑推荐:
皮层变薄和萎缩是脑老化的标志,已通过磁共振成像(MRI)得到表征。脑老化涉及许多神经解剖学特征,其(其)对大脑结构的影响仍有待探索。为应对这一挑战,研究人员训练了可解释深度神经网络(DNN),从T1-加权(T1w)MRI中估算脑年龄(BA)。通过识别人类不明显
皮层变薄和萎缩是脑老化的标志,已通过磁共振成像(MRI)得到表征。脑老化涉及许多神经解剖学特征,其(其)对大脑结构的影响仍有待探索。为应对这一挑战,研究人员训练了可解释深度神经网络(DNN),从T1-加权(T1w)MRI中估算脑年龄(BA)。通过识别人类不明显的MRI特征,DNN能够发现与老化相关的结构改变,其范围超越了皮层厚度和萎缩。研究人员采用了一种新的DNN可解释性方法,绘制了25539名45-83岁认知正常的英国生物库成年人脑老化进展图。研究发现,皮层老化涉及在50多岁时在前外侧、中边缘、楔叶和枕颞区变得显著的解剖特征。从这些病灶出发,与老化相关的特征以在60多岁时达到峰值速度扩散到相邻区域。皮层变薄和萎缩的趋势与神经退行性病变并不紧密相关,但重要的DNN可识别解剖特征具有与淀粉样蛋白或Tau蛋白相似的时空动态。研究结果挑战了MRI无法绘制与神经退行性病变趋势一致的解剖特征这一假设。可解释DNN能够赋能MRI,将解剖老化量化为空间特征从局灶区域向附近结构扩展的过程,其顺序符合神经退行性病变的病理顺序。传统形态计量学仅能解释约1%的DNN可识别特征的方差,这阐明了前者为何对涉及神经退行性病变的解剖变化不敏感。研究结果在解剖衰老与神经病理学的时空相似性背景下概念化了脑老化。这些发现可能有助于绘制认知正常成年人的神经退行性解剖结构,甚至无需正电子发射断层扫描(PET)测量。
研究背景、问题与目的
大脑衰老是一个复杂的神经解剖学变化过程。磁共振成像等神经影像学技术能够对其进行在体监测,以计算大脑的生物学年龄,即脑年龄。在无神经系统疾病的情况下,脑年龄与实足年龄(chronological age)大致相等。通过绘制脑年龄,可以量化典型大脑衰老的参考轨迹、个体大脑衰老相对于这些轨迹的偏离,以及大脑衰老过程中的解剖变化。皮层变薄和萎缩传统上被用作解剖学大脑衰老的标准描述指标。然而,这些现象远非与衰老相关的所有神经解剖学变化;许多其他潜在未被记录的神经解剖学改变类别被认为存在。识别此类改变的挑战之一在于,许多与衰老相关的细微MRI特征对人类观察者而言并不明显。传统上,绘制大脑衰老图需要领域专家手动选择反映解剖衰老的解剖学测量指标。相比之下,深度神经网络可以被训练从解剖MRI中估计脑年龄,并在无需人工选择的情况下揭示与衰老相关的结构大脑变化。这有助于发现新的衰老相关大脑特征,因为DNN通过大量且系统的空间卷积核对MRI进行探测,以识别先前未知的、与脑年龄趋势一致的解剖特征。具有生物可解释性的DNN,例如通过显著性映射技术,可以揭示对脑年龄估计有重要影响的神经解剖学位置,这些位置反映了大脑对衰老相关改变的相对脆弱性。衰老神经生物学中的一个主要猜想认为,存在反映神经退行性病变时空阶段的解剖学大脑衰老空间模式。支持这一猜想的证据零散且间接,因为脑老化的两个传统指标——皮层变薄和体积损失——对此现象不够敏感。为克服此缺点,本研究将脑年龄估计与一种新颖的DNN可解释性框架相结合,以绘制50岁后脑老化的时空动态(速度、加速度)。
研究方法概述
研究训练了一个可解释的3D卷积神经网络(CNN),从来自阿尔茨海默病神经影像学倡议、美国国家阿尔茨海默病协调中心、英国生物库、剑桥老龄化与神经科学中心及人类连接组计划的14,555名认知正常参与者的T1-加权MRI中预测脑年龄。该模型在未参与训练集的25,539名英国生物库认知正常参与者中进行了脑年龄估计。通过显著性映射实现解剖可解释性,该方法识别了对脑年龄估计有用的神经解剖位置(MRI体素),计算每个体素对脑年龄估计输出的偏导数,得到显著性概率S。参与者被分为四个十年组(D50、D60、D70、D80)以分析衰老动态。统计分析包括比较不同十年组间及性别间的S值和皮层厚度T,使用Welch's t检验并进行多重比较校正。通过线性回归评估了四个标准局部皮层结构属性(皮层厚度T、体积V、表面积A、曲率C)对S方差的解释程度(R2)。研究还将DNN识别的衰老时空模式与已知的淀粉样蛋白β和Tau蛋白神经退行性病变的PET成像模式进行了比较。
研究结果
1. 显著性 vs. 形态计量学
传统形态计量学(T, V, A, C)平均仅能解释S中约1.6%的方差,皮层中不到2%的位置R2≥ 1%。这表明DNN捕获的衰老相关解剖特征方差远超传统形态计量学,通常高出至少一个数量级。
2. 大脑老化
CNN模型的验证平均绝对误差为3.04年,性能优于其他模型。双侧显著性最高的解剖结构包括海马旁回、脑岛、扣带回峡、前扣带皮层膝下部和枕极。右半球的前外侧颞叶和前额叶皮层具有较高的平均显著性。研究还揭示了S值的性别差异。例如,在后横副侧沟,男性的S值高于女性;在左侧颞上回、中央前后回下部等区域,女性的S值更高。这些差异表明,相关结构的解剖特征在对应性别中与年龄的相关趋势更强。与S相比,皮层厚度T的性别差异平均而言要弱得多。
3. 大脑老化动态
3.1 50多岁的大脑老化动态
在50多岁期间,S值在D50组中显著高于D60组的结构包括上顶叶、左中央后回、左中央前回、扣带回中前部和右额下沟,表明这些结构的解剖特征在50多岁变化更快。而胼胝体下回、侧副沟、左额中回、舌回和舌沟等在D60组中S值更高。皮层厚度T的变化在部分区域(如上顶叶、扣带回中前部、中央前回、舌沟、颞上回)与S值变化有重叠,但也存在差异。
3.2 60多岁的大脑老化动态
在60多岁期间,长岛回、脑岛中央沟、颞横前回、脑岛区域、中央下回、中央前沟下部和额下回岛盖部在D60组中S值更高。在D70组中,S值在楔叶、舌回、后横副侧沟、右枕前沟和右枕颞外侧沟更高。在60多岁期间,皮层变薄最明显的区域包括中央前回上部、旁中央小叶、中央前沟、额中回和额上回、额下回岛盖部以及脑岛环状沟下部。而楔叶和颞横前回等区域则出现皮层增厚。
3.3 70多岁的大脑老化动态
在70多岁期间,中、下枕回和右中央前回保持较高的S值,而前扣带区域等结构的S值降低。长岛回和脑岛环状沟上下段的S值在此十年间减少。颞横沟在D70组中比在D80组中更显著。旁中央小叶、中央后回和中央前回、额上回和额中回、脑岛下段以及颞横沟在70多岁期间表现出皮层变薄。
3.4 皮层老化进展
研究根据S值增加最大的十年对每个皮层位置进行了分类。在50多岁,最显著的区域包括海马周皮层、左额叶外侧、靠近颞-顶-枕交界处的脑岛部分以及前扣带皮层腹侧。在60多岁,额叶和枕叶的内侧部分最为显著。在70多岁,枕极以及左枕叶和顶叶的外侧部分最为显著。左额叶最大的衰老相关S值变化发生在50和60多岁,而右额叶则在60和70多岁。从50到70多岁,S值从后扣带皮层双侧转移到楔叶,并逐步扩展到外侧枕叶和下顶叶结构。
3.5 皮层老化进展的病灶
研究发现衰老相关MRI特征的时空动态似乎起源于三个双侧的兴趣区,即病灶。病灶F1包括50多岁的海马周区域,衰老特征从此扩展到包括60多岁的内侧枕颞区(如舌回),再到70多岁的内侧-上顶叶结构,另一扩展方向是到枕极和外侧枕叶区域。病灶F2位于额叶,衰老特征从此扩展到60多岁的内侧-眶额回,再到70多岁的额上回。病灶F3靠近颞-顶-枕交界处,衰老特征从此扩展到外侧颞枕区和外侧额叶。研究指出,S值的时空动态与已知的、通过PET和尸检组织病理学绘制的淀粉样蛋白β和Tau蛋白积累模式存在相似性。例如,涉及F1的衰老特征传播与早期神经退行性病变中Tau蛋白的传播趋势一致;涉及F2的传播模式与淀粉样蛋白β积累的进展相符;而涉及F3的传播似乎反映了Tau病理的进展。
3.6 大脑老化的加速/减速
研究发现大脑衰老在60至70岁之间加速最快。在D60组,S值的二阶导数(S″)在颞横前回、颞上回外侧、颞下回、脑岛环状沟下段和上段、左额中回和沟以及左额下回眶部为正值(加速)。在D70组,S″在舌回和沟、距状沟、楔叶、内侧枕颞沟为负值(减速),而在左中央前回和沟、中央沟、中央后回和沟则为正值(加速)。皮层厚度变薄在D60组于上顶叶、额中沟和回、上中枕回、枕极和脑岛环状沟下段加速最快;在D70组,则在颞横前回和胼胝体下回加速最快。
讨论与结论总结
讨论部分总结:脑年龄是一个有吸引力的量化指标,能捕捉生物衰老及相关疾病风险的累积。本研究对认知正常成年人的S及其导数进行量化,以绘制反映脑年龄、脑老化速度及加速度的空间模式。与聚焦于预定义形状的传统形态计量学不同,CNN直接处理体素强度,使其能够捕捉通常在宏观解剖萎缩之前出现的微观结构、化学和血管变化。S值中由传统形态计量学解释的方差比例很小(平均约1.6%),表明DNN捕获的衰老相关解剖方差通常比形态计量学高出至少一个数量级。S值的性别差异再现了先前的研究发现,并与认知衰老的性别二态性相关。大脑衰老动态的分析表明,脑老化速度最初在衰老病灶相邻区域最高,随后在物理相邻或功能相关的结构中升高。研究证实,大脑衰老在60至70岁之间加速最快。研究结果表明,只有有限的皮层区域表现出跨时间稳定或空间局限的S值。相反,神经解剖衰老特征从三个解剖病灶发源,并在50至80多岁期间空间扩展到更远的区域。值得注意的是,与这些病灶相关的特征的时空动态与已知的淀粉样蛋白和Tau蛋白神经退行性模式在空间和时间上高度对应。这挑战了T1w MRI无法捕获此类与阿尔茨海默病相关大脑特征的长期假设。研究结果可能具有临床意义,或有助于仅根据MRI(而非更昂贵、操作更复杂的PET)对认知正常成年人进行神经退行性病变阶段分层,甚至评估阿尔茨海默病风险。研究也指出了若干局限性,包括使用传统CNN架构、依赖横断面数据、使用基本的梯度显著性方法,以及需要纵向研究和更大样本来验证与神经退行性病变的关联等。
结论部分翻译:这项研究表明,由人类先验定义的用于描述解剖衰老的形态计量学,仅能捕获其神经解剖学中很小一部分的方差。相比之下,可解释深度神经网络能够揭示人类肉眼不易察觉的衰老模式。基于这些模式,我们的研究证实,大脑在60至70岁之间经历最快速的衰老加速,并且衰老动态的性别差异反映了认知衰老的性别二态性。我们的分析表明,结构衰老起源于三个解剖病灶,并由此扩散至整个皮层。研究发现,额叶、内侧和外侧枕颞区域表现出最显著的衰老相关神经解剖学变化的动态特征。此外,深度神经网络揭示的衰老时空特征在空间和时间上与神经退行性病变的早期阶段趋势一致。这挑战了长期以来认为T1w MRI无法捕获此类与阿尔茨海默病相关大脑特征的假设。我们的研究结果在临床上具有潜在意义,可用于根据神经退行性病变阶段对认知正常成年人进行分层,甚至可能仅通过MRI(而非成本更高、后勤挑战更大的PET测量)来评估阿尔茨海默病风险。