多模态MRI预测全生命周期认知功能:分离个体间差异与个体内变化

《GeroScience》:Multimodal MRI prediction of cognitive functioning across the lifespan: separating between-person differences from within-person changes

【字体: 大 中 小 】 时间:2026年08月05日 来源:GeroScience 6.0

编辑推荐:

  摘要:脑部MRI在预测认知功能方面展现出潜力,但其效用取决于其捕获稳定的个体间差异(例如,患者分层)和纵向个体内变化(例如,预后、治疗监测)或同时捕获两者的能力。利用来自达拉斯寿命脑研究(Dallas Lifespan Brain Study)的450名成年人

  
摘要:脑部MRI在预测认知功能方面展现出潜力,但其效用取决于其捕获稳定的个体间差异(例如,患者分层)和纵向个体内变化(例如,预后、治疗监测)或同时捕获两者的能力。利用来自达拉斯寿命脑研究(Dallas Lifespan Brain Study)的450名成年人(年龄21-90岁;最多三个时间点,间隔五年)的纵向数据,研究人员对五种模态——任务态功能磁共振成像(task fMRI)、功能连接(FC)、结构磁共振成像(sMRI)、弥散加权成像(DWI)和动脉自旋标记(ASL)——在37个表型及其组合上进行基准测试。将所有MRI模态堆叠成一个标记,预测认知功能的准确性最高(R2 = .51),其次是DWI和FC。方差分解表明,MRI标记解释了认知功能中相当大的个体间方差(高达60.3%),但仅解释了适度的个体内变化(高达17.2%)。共同性分析显示,除ASL外,大多数标记与认知功能中的年龄相关方差重叠。这些发现阐明了MRI标记在分层和监测认知老化方面的优势与局限性。
**论文解读:多模态MRI预测认知功能——个体间差异与个体内变化分离的基准研究**

**1. 研究背景、问题与意义**

认知老化是神经科学领域的核心议题。长期以来,研究人员利用磁共振成像(MRI)探究脑结构与功能的年龄相关差异与认知功能变化之间的关联。随着机器学习框架的整合,该领域已从描述性关联转向生成预测模型,即利用独立训练样本中学习到的模式,预测先前未见个体的认知表现。然而,大多数预测性研究仍为横断面设计,这导致一个关键问题悬而未决:MRI标记究竟在多大程度上捕获了稳定的个体间差异(例如,用于患者分层),又能在多大程度上追踪纵向的个体内变化(例如,用于预后或治疗监测)?区分这两个变异来源至关重要,因为认知功能不仅在不同个体间存在相对稳定的差异,而且会在个体内部随时间推移发生变化。理解MRI标记在这两方面的能力,对于设定其潜在应用的现实期望至关重要。例如,反映稳定个体间差异的标记对诊断目的有价值,而敏感于个体内变化的标记则更适合预后用途。为此,本研究利用达拉斯寿命脑研究(Dallas Lifespan Brain Study, DLBS)的纵向数据,系统评估了五种MRI模态在捕获认知功能个体间与个体内变异方面的能力,旨在阐明MRI标记用于认知老化分层与监测的优势与局限。该论文发表在《GeroScience》。

**2. 关键技术方法**

研究人员利用DLBS的纵向数据,该队列包含450名健康成年人(年龄21-90岁,至多三个时间点,间隔约五年)。核心方法包括:1) **多模态MRI特征提取**:从五种模态中提取37个神经影像表型,包括任务态fMRI(task-fMRI)对比、功能连接(FC,基于任务态与静息态)、结构MRI(sMRI,如皮层厚度、体积)、弥散加权成像(DWI,如结构连接与纤维束追踪)和动脉自旋标记(ASL,脑血流量)。2) **预测建模**:采用嵌套五折交叉验证,分别训练单表型模型和堆叠模型(模态内堆叠及跨所有模态的多模态堆叠),以预测一个高阶认知因子(g-score)。3) **线性混合效应模型(LME)**:将年龄和MRI预测值分解为个体间均值(agemean, gpred_mean)和个体内偏差(agedev, gpred_dev),用于分离并量化两种变异来源。4) **方差分解与共同性分析**:分别评估MRI标记解释个体内与个体间认知变异的能力,以及MRI标记与年龄共享的认知变异程度。

**3. 研究结果**

**Derivation of general cognitive ability (g-score)**
通过探索性结构方程模型(ESEM)从一个包含11项认知测量的测试组中提取出一个高阶g-score。该g-score的组内相关系数(ICC)为0.88,表明88%的变异发生在个体之间,12%发生在个体内部。

**The relationship between g-score and age**
年龄-交互模型(包含个体间与个体内年龄的交互项)的拟合度显著优于年龄-相加模型。结果显示,年龄相关的认知下降在老年人中比在年轻人中更陡峭。年龄变量共同解释了观察到的g-score中约53%的边际R2。

**Performance of predictive models based on individual neuroimaging phenotypes**
在单表型模型中,DWI和sMRI表现最强,其次是FC和task-fMRI,ASL表现最弱。例如,DWI连接组特征与g-score的相关系数r可达0.68,而ASL的最佳r仅为0.36。

**Predictive performance of stacked models**
堆叠模型普遍优于最佳单表型模型。**多模态堆叠模型**(整合所有37个表型)表现最佳,平均Pearson相关系数r=0.73,R2=0.51。在模态内堆叠中,DWI(r=0.69, R2=0.47)和FC(r=0.69, R2=0.46)表现相当,随后是sMRI和task-fMRI(r=0.66, R2=0.43),ASL最弱。

**Feature importance**
在多模态堆叠模型中,最重要的预测特征来自DWI的结构连接测量(如纤维束流线计数和长度),其次是基于任务态的FC和sMRI的全局及皮层下体积测量。ASL特征贡献极小。

**Variance Decomposition**
方差分解显示,MRI标记捕获认知变异的能力存在显著不对称性。**个体间层面**,多模态MRI标记解释了高达60.3%的个体间认知变异(r=0.76)。**个体内层面**,其解释的个体内认知变异仅为6.3%(r=0.31)。sMRI表型在个体内变化敏感度上表现最佳(最高解释17.2%的个体内变异,来自sMRI全局变量)。ASL在两者层面均表现微乎其微。

**Commonality analysis**
共同性分析显示,MRI标记与年龄在解释认知变异上存在大量重叠。**个体间层面**,多模态MRI标记捕获了高达94.92%的个体间年龄相关认知变异。**个体内层面**,它捕获了54.72%的个体内年龄相关认知变异,并解释了19.35%的年龄交互变异。这表明,大多数MRI标记(除ASL外)捕获的认知变异与年龄效应高度相关。

**4. 讨论与结论**

**讨论总结**:研究结果清晰地揭示了MRI标记在认知老化领域的应用潜力与局限。多模态MRI(特别是结合DWI、FC和sMRI)能稳健地预测个体间的认知差异,并捕获大部分与年龄相关的认知变化,这使其在**患者分层和风险识别**方面具有巨大潜力。然而,其追踪个体内短期认知变化的能力较为有限,这可能部分源于DLBS健康队列的认知功能在5-10年内变化不大,以及数据中有限的个体内信息量。因此,对于**个体水平纵向监测**,当前MRI标记尚需进一步方法学改进,并需要在认知变化更显著的人群(如轻度认知障碍或痴呆患者)中进行验证。研究强调,区分预测个体间差异与个体内变化的效力是MRI标记走向临床应用的关键。

**研究结论**:综上所述,我们的研究结果表明,多模态MRI可以在整个成年期提供对认知功能的稳健的样本外预测。这些预测因子在捕获稳定的、特质性的个体间差异以及解释年龄相关的认知变异方面特别有效。对于个体内差异,MRI模态有潜力追踪人们随着年龄增长而发生的认知变化,但这需要利用认知功能个体内变异性更高的数据来进一步研究。认识到这种区别对于转化应用至关重要,因为它阐明了基于MRI的模型在表型分析和风险分层方面的当前潜力,并强调了在可靠地使用这些工具进行个体水平随时间监测之前所需的方法学进步。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号