首頁資訊 Nature Medicine：腦齡預測模型：如何利用EEG和fMRI發(fā)現(xiàn)大腦老化背后的社會因素@MedSci

Nature Medicine：腦齡預測模型：如何利用EEG和fMRI發(fā)現(xiàn)大腦老化背后的社會因素@MedSci

來源：泰然健康網(wǎng) 時間：2024年12月13日 08:57

引言

隨著全球人口老齡化的加劇，研究如何評估個體大腦的健康狀況和衰老速度成為了重要的研究領域。近年來，基于腦影像技術的“腦齡差異”模型（brain-age gap models）逐漸成為量化大腦健康狀況和衰老進程的有力工具。該模型通過比較個體的實際年齡（chronological age）和其通過大腦影像預測的腦齡（brain age）來評估大腦的健康狀態(tài)。如果一個人的腦齡比其實際年齡更大，意味著該個體可能存在加速的大腦衰老現(xiàn)象，這可能與認知功能下降、癡呆（dementia）等神經退行性疾病相關。

然而，大多數(shù)關于腦齡差異的研究集中在發(fā)達國家，特別是全球北方的高收入國家，忽視了全球南方（如拉美與加勒比地區(qū)，LAC）的低收入和中等收入國家的人群。這些地區(qū)的個體不僅在遺傳多樣性上與全球北方國家的人群存在差異，而且還面臨嚴重的社會經濟不平等、環(huán)境污染、教育水平低下以及醫(yī)療資源不足等問題。這些宏觀社會因素（macrosocial factors）可能顯著影響這些地區(qū)居民的腦部健康和衰老過程。

8月26日Nature Medicine的研究報道“Brain clocks capture diversity and disparities in aging and dementia across geographically diverse populations”，正是基于這一背景，首次將腦齡差異模型應用于LAC和非LAC（主要包括美國、中國、日本、希臘、意大利等國家）兩個地理區(qū)域的大規(guī)模人群數(shù)據(jù)。研究利用功能磁共振成像（fMRI）和腦電圖（EEG）這兩種腦影像技術，通過深度學習（deep learning）方法，建立了預測腦齡差異的模型，并探索了地理、性別、社會經濟不平等等多種因素對腦齡差異的影響。研究涵蓋了5306名參與者，包括健康對照組、輕度認知障礙（mild cognitive impairment, MCI）、阿爾茨海默?。ˋlzheimer’s disease, AD）以及行為變異型額顳葉癡呆（behavioral variant frontotemporal dementia, bvFTD）患者，涉及15個國家的數(shù)據(jù)。

通過比較LAC和非LAC地區(qū)的腦齡差異，研究發(fā)現(xiàn)LAC地區(qū)的個體通常顯示出更大的腦齡差距，尤其是在女性群體中，這表明該地區(qū)存在明顯的加速腦部衰老現(xiàn)象。研究還發(fā)現(xiàn)，LAC地區(qū)的社會經濟不平等、空氣污染和健康差異等宏觀社會因素在預測腦齡差異時具有重要影響。這些發(fā)現(xiàn)不僅揭示了腦部健康和疾病風險的多樣性，也為未來全球范圍內的個性化醫(yī)學和大腦健康評估提供了重要的參考框架。

通過將這些背景與研究結果相結合，該研究展示了腦齡差異模型在跨地區(qū)、跨性別以及跨疾病狀態(tài)下的廣泛應用潛力，尤其是在資源有限的地區(qū)，基于EEG等成本較低、易于操作的技術，有望成為未來腦部健康評估的重要工具。

該研究使用了來自5306名參與者的數(shù)據(jù)，這些參與者分布在15個國家，包括7個LAC國家（如阿根廷、巴西、智利等）和8個非LAC國家（如美國、日本、希臘等）。研究中使用了功能磁共振成像（functional magnetic resonance imaging, fMRI）和腦電圖（electroencephalography, EEG）兩種腦影像技術。研究對象包括健康對照組、輕度認知障礙（mild cognitive impairment, MCI）、阿爾茨海默病（Alzheimer’s disease, AD）和行為變異型額顳葉癡呆（behavioral variant frontotemporal dementia, bvFTD）患者。為了預測腦齡差異，研究使用了基于深度學習的圖卷積網(wǎng)絡（Graph Convolutional Networks, GCN）。

fMRI數(shù)據(jù)來自2953名參與者，EEG數(shù)據(jù)則來自2353名參與者。所有數(shù)據(jù)在輸入模型之前經過了標準化處理，去除了噪聲和偏差。為了控制不同掃描儀的影響，fMRI數(shù)據(jù)進行了掃描儀類型的歸一化處理，確保不同設備間的數(shù)據(jù)一致性。EEG數(shù)據(jù)經過頻段濾波和噪聲校正，保留了對腦電活動最具代表性的頻段。

研究通過圖卷積網(wǎng)絡分析大腦功能連接，并使用80%的數(shù)據(jù)進行訓練，20%的數(shù)據(jù)用于模型測試。模型預測腦齡差異的效果良好，fMRI數(shù)據(jù)的預測準確性（R2值）為0.52，EEG數(shù)據(jù)的R2值為0.45。研究還評估了模型的均方根誤差（r.m.s.e.），fMRI為7.24歲，EEG為6.45歲，表明模型具有良好的預測能力。

腦齡差異的地理分布

研究通過分析來自15個國家的5306名參與者的數(shù)據(jù)，揭示了不同地理區(qū)域之間的腦齡差異。LAC國家包括阿根廷、巴西、智利、哥倫比亞、墨西哥、秘魯?shù)?，而非LAC國家包括美國、中國、日本、希臘、意大利、土耳其、愛爾蘭和英國等。研究結果表明，LAC地區(qū)的參與者在腦齡差異上表現(xiàn)出更大的偏差，表明這些地區(qū)的個體可能經歷了加速的大腦老化。

LAC地區(qū)：在功能磁共振成像（fMRI）數(shù)據(jù)的分析中，LAC地區(qū)的參與者的平均預測誤差（Mean Directional Error，MDE）為 5.60歲，均方根誤差（Root Mean Square Error, r.m.s.e.）為 9.44歲。這意味著LAC地區(qū)的參與者的大腦年齡比他們的實際年齡要老5.60歲左右。

非LAC地區(qū)：相比之下，非LAC地區(qū)的參與者在同樣的fMRI數(shù)據(jù)中，預測誤差為 -2.52歲，均方根誤差為 8.41歲。也就是說，非LAC地區(qū)的參與者的大腦年齡通常比他們的實際年齡略小，約為2.52歲。

同樣，在EEG數(shù)據(jù)的分析中，也顯示了類似的趨勢：LAC地區(qū)的EEG數(shù)據(jù)中的平均預測誤差為 5.34歲，均方根誤差為 7.23歲。非LAC地區(qū)的EEG數(shù)據(jù)中的預測誤差為 -2.34歲，均方根誤差為 5.69歲。

這些數(shù)據(jù)表明，LAC地區(qū)的參與者不僅在fMRI和EEG兩種影像數(shù)據(jù)的腦齡預測中都顯示出顯著的腦齡偏大現(xiàn)象，而且這一現(xiàn)象的程度遠高于非LAC國家。研究認為，這種差異可能與LAC地區(qū)的社會經濟不平等、空氣污染以及醫(yī)療資源的不足密切相關。

社會經濟不平等：LAC地區(qū)長期以來面臨著嚴重的社會經濟不平等問題。研究通過分析Gini系數(shù)（一種衡量收入不平等的指標）發(fā)現(xiàn)，LAC地區(qū)的社會經濟不平等與腦齡差異呈顯著正相關，這意味著更高的不平等可能導致更快的大腦老化。

空氣污染：PM2.5等空氣污染物也是LAC地區(qū)腦齡差異加劇的重要因素。研究表明，長期暴露于高濃度的空氣污染中，會對大腦健康產生負面影響，尤其是會加速大腦的老化過程。

醫(yī)療資源匱乏：LAC地區(qū)的醫(yī)療資源相對匱乏，許多慢性疾病和傳染病的負擔更大，這些因素都可能加速大腦的退行性變化。

不同數(shù)據(jù)集下基于功能磁共振成像（fMRI）的深度學習模型的訓練和測試結果（Credit: Nature Medicine）

總體樣本中的模型表現(xiàn)：在整個樣本中（包含LAC和非LAC的參與者），模型的表現(xiàn)通過普通最小二乘回歸（OLS）進行評估。結果顯示，預測的腦齡與實際年齡之間有較好的擬合度，R2值為 0.52，顯著性P值小于 0.001，并且Cohen's f2為 1.07，表明模型具有較強的預測能力。

非LAC數(shù)據(jù)集中的模型表現(xiàn)：在非LAC數(shù)據(jù)集中（主要包括美國、中國、日本等），模型的預測精度相對較高，R2值為 0.40，P值仍然小于 0.001，f2值為 0.67。模型的均方根誤差（r.m.s.e.）為 8.66歲，表明模型在該數(shù)據(jù)集中的預測誤差較小。

LAC數(shù)據(jù)集中的模型表現(xiàn)：在LAC數(shù)據(jù)集中（包括阿根廷、智利、墨西哥等），模型的表現(xiàn)略差于非LAC地區(qū)。R2值為 0.24，P值小于 0.001，f2值為 0.31，均方根誤差為 11.91歲。此外，LAC數(shù)據(jù)集中的平均方向性誤差（MDE）為 3.18歲，表明模型在LAC地區(qū)的預測誤差較大，特別是預測出比實際年齡更大的腦齡。

跨區(qū)域訓練和測試的誤差比較：研究還分析了在非LAC數(shù)據(jù)上訓練并在LAC數(shù)據(jù)上測試時的表現(xiàn)，結果表明存在較大的正向誤差，MDE為 5.60歲，均方根誤差為 9.44歲。相反，在LAC數(shù)據(jù)上訓練并在非LAC數(shù)據(jù)上測試時，出現(xiàn)了負向誤差，MDE為 -2.52歲，均方根誤差為 8.41歲，表明預測出的腦齡普遍比實際年齡小。

性別差異的影響：在LAC地區(qū)，研究還發(fā)現(xiàn)女性的腦齡差距比男性更大。在訓練非LAC數(shù)據(jù)并在LAC數(shù)據(jù)上測試時，女性的腦齡預測偏差明顯高于男性，表明性別差異在LAC地區(qū)的腦齡預測中具有重要影響。

基于腦電圖（EEG）數(shù)據(jù)的深度學習模型在不同樣本中的訓練和測試結果（Credit: Nature Medicine）

總體樣本中的模型表現(xiàn)：在整個樣本中（包含LAC和非LAC地區(qū)的參與者），模型的總體表現(xiàn)通過普通最小二乘回歸（OLS）進行評估。結果顯示，模型在EEG數(shù)據(jù)中的預測效果良好，R2值為 0.45，顯著性P值小于 0.001，Cohen's f2為 0.83，表明模型在EEG數(shù)據(jù)中的預測能力相對較高。

非LAC數(shù)據(jù)集中的模型表現(xiàn)：在非LAC數(shù)據(jù)集中，模型的預測精度較高，R2值為 0.41，P值小于 0.001，Cohen's f2為 0.71，均方根誤差（r.m.s.e.）為 6.57歲。這表明模型在非LAC國家的EEG數(shù)據(jù)中預測誤差較小。

LAC數(shù)據(jù)集中的模型表現(xiàn)：在LAC數(shù)據(jù)集中，模型的表現(xiàn)略差于非LAC地區(qū)。R2值為 0.37，P值仍顯著小于 0.001，Cohen's f2為 0.59，均方根誤差為 7.23歲。LAC數(shù)據(jù)集的平均方向性誤差（MDE）為 5.34歲，這表明在LAC地區(qū)，模型預測的腦齡普遍高于實際年齡。

跨區(qū)域訓練和測試的誤差比較：在跨區(qū)域分析中，研究對比了在非LAC數(shù)據(jù)上訓練并在LAC數(shù)據(jù)上測試的表現(xiàn)，結果顯示出正向預測誤差，MDE為 5.34歲，均方根誤差為 7.23歲，表明模型在LAC地區(qū)高估了腦齡。反之，在LAC數(shù)據(jù)上訓練并在非LAC數(shù)據(jù)上測試時，結果顯示負向誤差，MDE為 -2.34歲，均方根誤差為 5.69歲，表示模型在非LAC地區(qū)低估了腦齡。

性別差異的影響：在EEG數(shù)據(jù)的性別分析中，LAC地區(qū)的女性腦齡差距比男性更大，特別是在跨區(qū)域測試時，女性的腦齡差距較男性更為顯著。這一發(fā)現(xiàn)與LAC地區(qū)的性別不平等、社會經濟狀況和環(huán)境因素相關。

性別差異

該研究不僅揭示了地理區(qū)域間的腦齡差異，還特別關注了性別差異，尤其是在拉美與加勒比地區(qū)（LAC）與非LAC地區(qū)的對比中，性別因素對大腦老化的影響顯著。研究發(fā)現(xiàn)，LAC地區(qū)的女性在健康對照組和阿爾茨海默病（Alzheimer's disease，AD）患者中，表現(xiàn)出比男性更大的腦齡差距（brain-age gap）。

在LAC地區(qū)，健康對照組中，女性的平均腦齡差距為 6.93歲，而男性的平均腦齡差距為 3.66歲。這一數(shù)據(jù)顯示，女性的腦齡差距比男性大約高出 3.27歲。

在阿爾茨海默病組中，LAC地區(qū)的女性的腦齡差距達到 12.78歲，而男性為 9.45歲，女性的腦齡差距比男性大約高出 3.33歲。

相比之下，非LAC地區(qū)的性別差異相對較?。涸诮】祵φ战M中，女性的平均腦齡差距為 1.87歲，男性為 2.21歲，兩者之間的差異很小。在阿爾茨海默病組中，女性的腦齡差距為 6.19歲，而男性為 5.24歲，差異同樣較小。

從這些數(shù)據(jù)可以看出，在LAC地區(qū)，女性的大腦老化速度顯著快于男性，尤其是在健康對照組和阿爾茨海默病組中。這一性別差異在非LAC地區(qū)則不那么明顯。研究認為，這可能與以下幾個因素有關：

性別不平等指數(shù)（Gender Inequality Index, GII）：LAC地區(qū)的性別不平等指數(shù)較高，女性在社會經濟地位、教育水平和醫(yī)療資源獲取上往往處于劣勢。這些不平等加劇了女性在生活中面臨的壓力，進而影響到她們的大腦健康，加速了大腦老化。

生理因素：女性在絕經期后，雌激素（estrogen）水平顯著下降，而雌激素被認為對大腦有保護作用。缺乏這種激素可能使女性更容易受到大腦退行性病變的影響，導致腦齡差距的增加。

環(huán)境因素：LAC地區(qū)的空氣污染和傳染性疾病負擔較高，這些因素可能更容易對女性產生負面影響，尤其是在生活條件較差、長期暴露于高污染環(huán)境的女性群體中。

社會角色：在LAC地區(qū)，女性往往承擔著更多的家庭照顧責任和社會壓力，這也可能對其大腦健康產生不利影響。

不同組別、性別及宏觀社會因素對腦齡差距（brain-age gaps）的影響（Credit: Nature Medicine）

不同組別的腦齡差距：圖中對比了健康對照組、輕度認知障礙組（mild cognitive impairment，MCI）和阿爾茨海默病組（Alzheimer's disease，AD）的腦齡差距。結果顯示，阿爾茨海默病患者的腦齡差距最大，表明這些患者的腦部衰老速度明顯加快。輕度認知障礙組的腦齡差距也顯著高于健康對照組，但小于阿爾茨海默病組，表明MCI患者的腦部老化介于健康個體與AD患者之間。健康對照組的腦齡差距最小，意味著這些人的腦部老化速度較為正常。

性別對腦齡差距的影響：在健康對照組、MCI組和AD組中，女性的腦齡差距普遍大于男性，特別是在阿爾茨海默病患者中，女性的腦齡差距更加明顯。這表明性別是影響腦部老化的重要因素，女性的腦部老化速度可能較快。不同性別的腦齡差距在LAC地區(qū)表現(xiàn)得尤為顯著，女性的腦齡差距在所有組別中都明顯大于男性。

宏觀社會因素的影響：圖中分析了多種宏觀社會因素（如社會經濟不平等、空氣污染和健康負擔）對腦齡差距的影響。結果表明，LAC地區(qū)的宏觀社會因素對腦齡差距有顯著影響。

社會經濟不平等（Gini系數(shù)）：LAC地區(qū)的社會經濟不平等程度較高，與腦齡差距呈正相關，意味著不平等越嚴重，腦齡差距越大。

空氣污染（PM2.5）：長期暴露于空氣污染中（尤其是PM2.5）的個體，表現(xiàn)出更大的腦齡差距，特別是在LAC地區(qū)，空氣污染是腦齡加速老化的一個重要影響因素。

疾病負擔：高疾病負擔（包括傳染性和非傳染性疾?。┮才c更大的腦齡差距相關，這在LAC地區(qū)表現(xiàn)得更加顯著。

交互效應：宏觀社會因素與性別之間的交互效應明顯，尤其是在LAC地區(qū)，社會經濟不平等和空氣污染等因素對女性的影響尤為嚴重，導致女性的腦齡差距顯著增加。這一結果顯示，LAC地區(qū)的女性不僅受到性別不平等的影響，還面臨更高的環(huán)境和健康風險，導致她們的大腦老化速度加快。

該研究揭示了全球南方，特別是LAC地區(qū)的個體在腦齡差異上的獨特表現(xiàn)，強調了宏觀社會因素對大腦健康的深遠影響。為未來的腦齡差異研究提供了新的思路，特別是在資源有限的地區(qū)，使用EEG等成本較低的技術，可以為個體化的大腦健康評估提供新的工具。同時，研究還建議未來應進一步探索性別、地理和社會經濟不平等對大腦健康的長期影響，并將這些發(fā)現(xiàn)應用于個性化醫(yī)學和大腦健康的全球評估。

綜上，該研究展示了腦齡差異模型在不同地區(qū)和群體中的應用潛力，特別是在全球健康不平等問題日益突出的背景下，它為理解和干預大腦老化提供了一個全新的框架。

參考文獻

Moguilner S, Baez S, Hernandez H, Migeot J, Legaz A, Gonzalez-Gomez R, Farina FR, Prado P, Cuadros J, Tagliazucchi E, Altschuler F, Maito MA, Godoy ME, Cruzat J, Valdes-Sosa PA, Lopera F, Ochoa-Gómez JF, Hernandez AG, Bonilla-Santos J, Gonzalez-Montealegre RA, Anghinah R, d'Almeida Manfrinati LE, Fittipaldi S, Medel V, Olivares D, Yener GG, Escudero J, Babiloni C, Whelan R, Güntekin B, Y?r?ko?ullar? H, Santamaria-Garcia H, Lucas AF, Huepe D, Di Caterina G, Soto-A?ari M, Birba A, Sainz-Ballesteros A, Coronel-Oliveros C, Yigezu A, Herrera E, Abasolo D, Kilborn K, Rubido N, Clark RA, Herzog R, Yerlikaya D, Hu K, Parra MA, Reyes P, García AM, Matallana DL, Avila-Funes JA, Slachevsky A, Behrens MI, Custodio N, Cardona JF, Barttfeld P, Brusco IL, Bruno MA, Sosa Ortiz AL, Pina-Escudero SD, Takada LT, Resende E, Possin KL, de Oliveira MO, Lopez-Valdes A, Lawlor B, Robertson IH, Kosik KS, Duran-Aniotz C, Valcour V, Yokoyama JS, Miller B, Ibanez A. Brain clocks capture diversity and disparities in aging and dementia across geographically diverse populations. Nat Med. 2024 Aug 26. doi: 10.1038/s41591-024-03209-x. Epub ahead of print. PMID: 39187698.

https://www.nature.com/articles/s41591-024-03209-x

來源：生物探索

版權聲明：
本網(wǎng)站所有注明“來源：梅斯醫(yī)學”或“來源：MedSci原創(chuàng)”的文字、圖片和音視頻資料，版權均屬于梅斯醫(yī)學所有，非經授權，任何媒體、網(wǎng)站或個人不得轉載，授權轉載時須注明“來源：梅斯醫(yī)學”。本網(wǎng)所有轉載文章系出于傳遞更多信息之目的，且明確注明來源和作者，不希望被轉載的媒體或個人可與我們聯(lián)系，我們將立即進行刪除處理。同時轉載內容不代表本站立場。
在此留言