用于基于结构磁共振成像的生物脑龄估计的深度监督多任务自编码器

《Engineering Applications of Artificial Intelligence》：Deeply Supervised Multitask Autoencoder for biological brain age estimation using structural magnetic resonance imaging

　　

# 摘要

由于与年龄相关的脑结构变化细微且具有异质性，同时个体间存在显著的解剖学和人口学差异，因此基于磁共振成像的脑年龄估计是一项极具挑战性的任务。为此，本研究提出了一种基于深度学习的智能框架，称为深度监督多任务自编码器（Deeply Supervised Multitask Autoencoder, DSMT-AE），该框架将深度监督与多任务学习相结合，以实现稳定优化并提升表征质量。DSMT-AE联合优化脑年龄回归与两个辅助目标——生物性别分类和自监督图像重建——使模型能够同时捕捉人口学和解剖学变异。该方法在大规模公开队列Open Big Healthy Brains（OpenBHB）上进行了评估，展现了卓越性能，均方绝对误差（MAE）为2.64年，均方根误差（RMSE）为3.08年，决定系数（R2）为0.94，显著优于现有方法。这些结果表明该方法在年龄和性别亚组中均具有稳健性能，并突出了DSMT-AE在检测与神经退行性疾病相关的脑老化模式方面的潜力。

# 引言

利用结构性磁共振成像（sMRI）准确预测个体的生物学脑年龄已成为衡量脑健康和老化的有力生物标志物（Cole and Franke, 2017）。通过比较预测的脑年龄与个体的实际年龄，可以获得脑年龄差，用以量化加速或延迟的脑老化。较大的正脑年龄差与加速老化、认知障碍以及神经退行性和精神疾病的增加风险相关（Cole et al., 2015, Nenadi? et al., 2017, Franke et al., 2013），凸显了脑年龄作为影像学衍生生物标志物在区分病理性老化和健康老化方面的临床意义。

生物学年龄估计可通过非影像学生物标志物或基于影像的技术来实现。传统的非影像学生物标志物包括分子和生理指标，如表观遗传时钟（DNA甲基化模式）（Horvath, 2013）、端粒长度（Mather et al., 2011）以及各种血液标志物。虽然这些方法捕捉了系统性或外周性的老化方面，但它们不能直接反映脑结构。相比之下，神经影像方法直接评估脑形态和组织完整性。高分辨率sMRI（例如T1加权扫描）提供详细的三维解剖图像，能够量化皮质和皮质下区域的年龄相关性萎缩。早期的BrainAGE框架工作提取T1 sMRI特征并应用支持向量回归来预测实际年龄（Franke et al., 2013, Franke et al., 2012），后续研究则将高斯过程或支持向量回归应用于逐体素或感兴趣区域测量，如灰质密度和皮质厚度（Aycheh et al., 2018, Baecker et al., 2021）。

尽管这些手工特征模型提供了sMRI可以预测年龄的概念验证，但其准确性本质上受限于所选特征的表达力（Liem et al., 2017）。这一局限性促使研究转向深度卷积神经网络（CNN），后者可以直接从原始三维体数据中自动学习层次化表征（Tanveer et al., 2023, Lin et al., 2020），捕捉手工描述子经常遗漏的复杂且分布广泛的脑老化模式。然而，在体积MRI数据上训练深度三维CNN本身也引入了重大挑战。处理完整的体积输入需要具有数百万参数的高维模型，增加了过拟合的风险，并且需要大量的计算和内存资源。如果管理不当，深度架构也容易产生梯度消失和其他优化困难（He et al., 2016, Huang et al., 2017）。因此，数据增强、迁移学习、多任务训练和深度监督等策略通常被采用以提高泛化能力和训练稳定性（Ullah et al., 2023, Rehman et al., 2023, Usman et al., 2024a）。

同样重要的考量是人口学变量的纳入，特别是生物性别。男性和女性大脑表现出公认的解剖学和发育差异，其老化轨迹可能出现分化（Goyal et al., 2019, Zhang et al., 2020, Kurth et al., 2021, Sanford et al., 2022），如图1所示。忽略性别相关变异可能引入系统偏差并降低预测准确性。近期研究表明，显式纳入性别信息可产生更稳健且可解释的年龄预测：一些研究将性别作为额外协变量增强模型输入或特征（Rehman et al., 2026），而另一些则采用多任务学习框架联合预测年龄和性别（Usman et al., 2024b），通过共享表征捕捉性别特有的解剖学变异。

尽管取得了这些进展，现有的脑年龄估计研究仍存在以下一个或多个局限：（i）依赖手工特征或单任务模型，未能充分利用可用的监督信号；（ii）人口学意识有限，导致性别偏差预测并降低亚组间的公平性；（iii）深度监督在稳定三维卷积网络体积数据优化方面的应用尚不充分；（iv）需要功能性MRI数据和大量预处理的多模态流程临床可部署性降低。这些局限共同指向了需要一个统一的单模态框架，该框架应解决优化挑战，纳入人口学信息，并保持实际可部署性。

为填补这一空白，本研究提出了深度监督多任务自编码器（DSMT-AE）用于基于sMRI的脑年龄估计。所提出的DSMT-AE是一种三维卷积自编码器，将体积T1加权扫描压缩为紧凑的潜在表征并重建输入图像。关键的是，DSMT-AE为该自编码器增加了两个有监督输出分支：年龄回归头和性别分类头。这种联合预测使框架能够学习捕捉通用老化模式和性别特有解剖差异的共享潜在特征。深度监督通过在多个中间编码器层插入辅助年龄和性别预测损失来实现，促进有效的梯度传播和网络深度上的判别性特征学习。DSMT-AE的概念创新不仅在于自编码器、多任务学习和深度监督的共存，更在于其统一训练设计——年龄回归和性别分类在多个编码器深度联合监督，自监督重建正则化共享潜在表征，辅助回归器在推理阶段通过自集成机制进一步利用。这种集成设计产生了互补的正则化效应，这是任何单一组件都无法独立实现的。

因此，本研究的主要贡献是方法论上的：一种通过更好正则化和更稳定训练实现改进脑年龄估计准确性的单模态深度监督多任务框架。通过深度监督实现训练稳定性是所提出设计的赋能机制，性别均衡性能和多站点稳健性则作为展示泛化性的二次验证结果。具体而言，本研究的贡献如下：

（1）一种新颖的基于三维CNN的自编码器架构，用于从T1加权MRI进行脑年龄预测，显式地将生物性别作为联合预测任务纳入，提高了稳健性和可解释性。

（2）一种应用于自编码器内部的深度监督策略，通过在多个中间编码器层插入辅助年龄和性别预测损失，促进稳定优化和丰富的层次化特征学习。

（3）一种多任务学习形式化方法，联合优化脑年龄预测、性别分类和自监督MRI重建，捕捉脑老化的解剖变异性和人口学影响。

（4）在大规模Open Big Healthy Brains（OpenBHB）神经影像数据集（Dufumier et al., 2022）上进行的综合实验，该数据集整合了十个公开多站点数据集，提供了泛化性和稳健性的严格证据。

（5）广泛的消融研究，证明了深度监督、多任务学习和性别分类各自对预测准确性和年龄及性别亚组模型稳健性的显著且独立的贡献。为支持可复现性，源代码公开获取于：https://github.com/PLASS-Lab/DSMTA

本文其余部分组织如下：第2节回顾脑年龄估计的相关工作；第3节详述所提出的DSMT-AE框架及其学习目标；第4节描述数据集、预处理流程和实验设置；第5节呈现定量结果和消融研究；第6节讨论局限性和未来研究方向。

# 相关工作片段

基于结构性MRI（sMRI）的脑年龄估计作为评估脑健康、认知衰退和神经疾病的无创生物标志物，引起了广泛兴趣。深度学习的兴起显著推动了这一领域的发展，使其能够直接从影像数据中自动提取和建模复杂的神经解剖特征（Tanveer et al., 2023, Lin et al., 2020）。各种架构已被探索，范围从卷积神经网络（CNN）……

# 整体框架

在本节中，所提出的脑年龄估计框架被描述为一种基于三维深度监督的多任务学习方法。深度监督多任务自编码器（DSMT-AE）将多任务学习与深度监督相结合，使有监督和无监督辅助任务的集成成为可能。具体来说，性别分类作为有监督辅助任务与主要的脑年龄估计任务一起引入，图像重建被用作……

# 数据集与预处理

本研究使用Open Big Healthy Brains（OpenBHB）数据集（Dufumier et al., 2022），这是一个大规模多站点三维T1加权（T1w）脑MRI健康对照（HC）集合。OpenBHB聚合了十个公开数据集的数据，仅保留每个数据集中的HC参与者，最终包含来自71个站点的N=5330次扫描，部分站点在多个采集协议下贡献了数据。在本研究中，仅使用OpenBHB的公开子集，涵盖3984次扫描，来自……

# 与最先进方法的比较

为评估所提出的深度监督多任务自编码器（DSMT-AE），其在OpenBHB数据集（Dufumier et al., 2022）上的性能与近期在同一数据划分上报告结果的已发表方法进行了比较。表4总结了每种方法的架构及相应的脑年龄估计性能（以均方绝对误差MAE衡量）。DSMT-AE实现了2.64年的MAE，优于所有先前报告的方法。

与经典回归模型相比……

# 局限性与未来工作

尽管所提出的框架取得了卓越性能，但应承认若干局限性。三维卷积架构虽然对建模体积结构有效，但产生了可观的计算成本。前向传播约210万参数和15.2 GFLOPs，在资源受限的临床环境中的部署可能需要额外的优化策略，如模型剪枝、量化或知识蒸馏。此外……

# 结论

本研究提出了一种新颖的深度监督多任务自编码器（DSMT-AE）框架，用于从三维体积T1加权MRI进行脑年龄估计。所提出的方法利用多任务学习，在多个编码器深度联合优化三个互补目标——图像重建、性别分类和年龄回归。通过深度监督，DSMT-AE学习具有解剖学信息量和任务判别力的表征，同时有效地减轻……

# CRediT作者贡献声明

Mehreen Kanwal：撰写——审阅与编辑，撰写——初稿，可视化，软件，方法论。Yunsik Son：撰写——审阅与编辑，监督，概念化。

# 利益冲突声明

作者声明不存在任何已知的可能影响本文所报告工作的竞争性财务利益或个人关系。

# 致谢

本研究由韩国大韩民国科学技术信息通信部（MSIT）通过信息技术研究中心（ITRC）支持计划（IITP-2026-RS-2020-II201789）和人工智能融合创新人力资源开发计划（IITP-2026-RS-2023-00254592）资助，由信息通信技术规划评估院（IITP）监督。本研究还得到了研发商业化促进机构的支持……

Mehreen Kanwal | Yunsik Son
韩国大邱大学计算机科学与人工智能系，首尔，04620，大韩民国