基于多模態(tài)神經(jīng)影像的腦年齡估值差的綜合研究

熊 敏，林 嵐，金 悅，吳水才

（北京工業(yè)大學環(huán)境與生命學部生物醫(yī)學工程系，北京100124）

0 引言

隨著世界人口的老齡化程度和癡呆癥發(fā)病率的不斷上升，異常腦老化須及早發(fā)現(xiàn)、預(yù)防和治療。與正常腦老化軌跡的偏離程度被認為是界定病理性大腦老化的一個重要指標。使用機器學習技術(shù)，根據(jù)神經(jīng)影像數(shù)據(jù)，可以推斷一個受試者的大腦年齡[1-3]。當預(yù)測腦年齡低于受試者的實際年齡時，受試者的大腦會比同齡人更年輕。這就意味著，該受試者的大腦能更好地應(yīng)對疾病和神經(jīng)退行帶來的腦損傷。如果預(yù)測的大腦年齡高于實際年齡，說明大腦處于老化加速狀態(tài)。因此，研究者們進一步提出了腦年齡估值差（brain age gap estimation，BrainAGE）指標[2]來評價大腦老化的程度。BrainAGE 是預(yù)測的大腦年齡和實際年齡之間的差值。通過對疾病情況下的BrainAGE研究，發(fā)現(xiàn)多種腦部疾病，如阿爾茨海默?。ˋlzheimer’s disease，AD）和輕度認知障礙[3]、創(chuàng)傷性腦損傷[4]、癲癇[5]、多發(fā)性硬化癥[6]，以及精神疾病，如精神分裂癥[7]、雙相情感障礙[8]和主要抑郁障礙[9]都進一步加速大腦老化。

BrainAGE 不僅可以反映神經(jīng)系統(tǒng)方面的疾病，對于認知能力正常的中老年個體，其整個生命過程中所遭受的慢性疾病侵擾，以及其長期生活習慣等都會在大腦形態(tài)與功能中留下痕跡，并對BrainAGE 產(chǎn)生影響[10]，如長期高血壓會引發(fā)腦部結(jié)構(gòu)、功能、代謝等改變，進而導(dǎo)致腦損傷[11]。2 項基于白質(zhì)連接網(wǎng)絡(luò)的BraninAGE 研究[12-13]顯示，高血壓患者的BrainAGE比正常對照組平均高4.1 年和5.6 年。Franke 等[14]基于T1WI 構(gòu)建的腦年齡預(yù)測模型發(fā)現(xiàn)，糖尿病患者的大腦年齡比實際生理年齡平均高4.6年，較高水平的BrainAGE 對應(yīng)較長的糖尿病病程。最近一項基于T1WI 的研究[15]顯示，糖尿病會加速大腦衰老過程，糖尿病組的BrainAGE 平均為1.79 年。高血脂對中老年人心腦血管的健康也有一定影響。林嵐等[16]研究發(fā)現(xiàn)健康受試者的BrainAGE 與體質(zhì)量、身體質(zhì)量指數(shù)之間有著顯著的相關(guān)性。除了慢性疾病之外，多項基于英國生物銀行（UK Biobank，UKB）的BrainAGE 研究[17-19]也顯示，BrainAGE 的增加與較高的煙草使用頻率和酒精攝入有關(guān)。其中，Linli 等[19]研究發(fā)現(xiàn)，吸煙人群的BrainAGE 高于對照組，BrainAGE 平均為0.304 年；吸煙量的增加與BrainAGE 的升高有關(guān)，重度吸煙人群的BrainAGE 平均為1.19 年。

上述研究結(jié)果表明，身體健康狀態(tài)和長期生活習慣可能是大腦年齡相關(guān)結(jié)構(gòu)差異存在較大個體間差異性的原因之一。在現(xiàn)實生活中，個人可能會同時患有多種慢性疾病，同時具有多種生活方式。例如：相關(guān)研究發(fā)現(xiàn)[20-21]，大約有70%的糖尿病患者同時也患有高血壓。Reaven[22]發(fā)現(xiàn)不少患者同時患有高血脂、高血壓、高血糖這3 種臨床疾病，并將高血糖中的胰島素抵抗、高胰島素血癥、糖耐量異常以及高血脂中的高甘油三酯血癥和高血壓統(tǒng)稱為代謝綜合征。大多數(shù)BrainAGE 研究只關(guān)注單一健康狀態(tài)或生活方式對BrainAGE 的影響[11-16]。隨著UKB 等大型生物數(shù)據(jù)庫的興起，研究者們也開始采用一元回歸分析研究較為廣泛的健康狀態(tài)或生活方式與BrainAGE 間的關(guān)系[17]。但這種單一因素的分析方式會導(dǎo)致BrainAGE的定量分析結(jié)果可能存在一定偏差。本文采用UKB中27 842 例受試者的6 種不同類型MRI[T1WI、彌散加權(quán)成像（diffusion-weighted imaging，DWI）、磁敏感加權(quán)成像（susceptibility-weighted imaging，SWI）、T2WI、靜息態(tài)功能成像（resting-state fMRI，rsfMRI）和任務(wù)態(tài)功能成像（task fMRI，tfMRI）]數(shù)據(jù)構(gòu)建結(jié)構(gòu)和功能特征集，采用相關(guān)向量回歸（relevance vector regression，RVR）計算大腦年齡，將獲得的BrainAGE 與大量的非影像衍生記物（non-imaging derived phenotypes，Non-IDPs）數(shù)據(jù)結(jié)合進行回歸分析，以探究這些Non-IDPs 與BrainAGE 間的關(guān)系。

1 數(shù)據(jù)預(yù)處理

1.1 受試者

UKB 是一項基于人口的前瞻性研究項目，涉及了500 000 多名中年和老年受試者（https://www.ukbiobank.ac.uk）。UKB 項目獲得了西北多中心研究倫理委員會的倫理批準，本研究獲得了UKB 的認可。根據(jù)國際疾病分類第十次修訂版（The International Classification of Diseases 10th Revision，ICD-10），對患有神經(jīng)或精神疾病的患者進行了排除。在剩下的388 721 例受試者中挑選出同時接受過6 種大腦影像采集模態(tài)的個體（其中T1WI 包含F(xiàn)reesurfer 處理和FSL 處理的2 個特征集），共有27 842 例受試者被納入研究。

所選樣本按約1∶1 的比例隨機分為訓練集和測試集。訓練集、測試集以及總樣本的人口統(tǒng)計學信息見表1。

表1 人口統(tǒng)計學信息

1.2 影像衍生標記物（imaging derived phenotypes，IDPs）

本文采用UKB 基于6 種影像模態(tài)所創(chuàng)建的IDPs[23]。表2 提供了關(guān)于IDPs 定義的簡要總結(jié)，來自6 種模態(tài)的IDPs 被分為7 個特征集。

表2 IDPs 描述

1.3 Non-IDPs

在數(shù)據(jù)采集過程中，UKB 項目參與者需要填寫1 份觸摸屏問卷，參與口頭訪談，并接受一系列的身體測試，以提供社會人口、生活方式和健康相關(guān)等方面信息。其中，4 種類型的Non-IDPs（招募、觸摸屏、口頭訪談和身體測量）在研究中被采用，見表3，共包含814 個Non-IDPs。隨后，采用UKB 數(shù)據(jù)清洗軟件（https://git.fmrib.ox.ac.uk/fsl/funpack）對UKB 中的Non-IDPs 數(shù)據(jù)進行數(shù)據(jù)清洗，如果受訪者沒有回答特定的問題，或者Non-IDPs 的值異常，則Non-IDPs的值被設(shè)定為空。然后，再將部分無序變量重新編碼為有序變量，其中25 個具有多種分類的Non-IDPs 無法重新編碼為有序變量被去除。所有缺失數(shù)據(jù)超過20%的Non-IDPs 都被剔除，共保留223 個Non-IDPs。當缺失值少于20%時，采用該變量的平均值進行填充。最后，結(jié)合BrainAGE 進行統(tǒng)計分析。

表3 Non-IDPs 描述

2 方法

2.1 RVR 腦年齡預(yù)測模型

RVR 是一種基于貝葉斯推理的一般線性模型[24]。它避免了支持向量機的主要局限性，比如要求核函數(shù)為正定核等。因此，RVR 通常會產(chǎn)生更加稀疏的模型，從而使得在測試集上的速度更快，計算成本更低。在腦年齡預(yù)測模型中，RVR 受到了研究者們的青睞，已經(jīng)成為最廣為使用的腦年齡預(yù)測模型[25-27]。從模型穩(wěn)健性角度考慮，本研究中采用了線性核的RVR 進行腦年齡預(yù)測研究，受試者的實際年齡被四舍五入到最近的整月，將不同特征的集合作為模型的輸入，實際年齡作為模型的輸出標簽。預(yù)測的腦年齡和實際年齡之間的差值即為BrainAGE，計算公式如下：

但是，由回歸模型得到的腦年齡預(yù)測結(jié)果必然會受到“均值回歸”的影響[28]，這導(dǎo)致對大腦年齡的有偏估計，即高估了年輕人的大腦年齡，低估了老年人的大腦年齡。因此，采用年齡偏差校正方法對年齡偏差進行校正[29]，具體計算公式如下：

式中，α 和β 為訓練集中實際年齡與BrainAGE 之間回歸線的斜率和截距。將公式（2）應(yīng)用于測試集，得到校正后的腦年齡即為預(yù)測的腦年齡校正。再將其運用到公式（1）即能得到經(jīng)偏差校正后的BrainAGE。

2.2 統(tǒng)計學分析

為了評估所選Non-IDPs 與經(jīng)偏差校正后的BrainAGE 之間的關(guān)系，采用SPSS 26.0 軟件進行統(tǒng)計學分析。首先，將BrainAGE 與223 個Non-IDPs 進行皮爾遜相關(guān)分析，并將得到的P值通過控制錯誤發(fā)現(xiàn)率（false discovery rate，F(xiàn)DR）調(diào)整其閾值以校正多重比較所致的假陽性率（P＜0.05）。隨后，通過相關(guān)系數(shù)r值進一步選擇對BrainAGE 具有較高解釋性的Non-IDPs（r2≥2.5‰）。最后，將年齡、年齡的平方、性別、身高、體積比例因子和頭動距離作為協(xié)變量，經(jīng)偏差校正后的BrainAGE 作為因變量，經(jīng)FDR 校正后P值以及r值選擇后的Non-IDPs 作為自變量，用方差膨脹因子（variance inflation factor，VIF）對這些Non-IDPs 進行多元共線性分析。VIF≥10 表明變量之間具有多重共線性，將VIF＜10 的Non-IDPs 保留進行多元線性回歸分析。

3 結(jié)果

3.1 腦年齡預(yù)測

利用RVR 模型對單模態(tài)和多模態(tài)腦成像特征進行預(yù)測，其中多模態(tài)模型是6 種模態(tài)共7 種特征的融合模型。采用平均絕對誤差（mean absolute error，MAE）進行模型評價。在單模態(tài)的預(yù)測效果中，以Freesurfer 為基礎(chǔ)的特征集表現(xiàn)最好，MAE 達到3.149年；DWI 特征集次之，為3.682 年；基于FSL 的特征集為3.947 年；rsfMRI、T2WI 和tfMRI 的MAE 較大，分別為5.279、5.301 和5.953 年；基于SWI 的特征集表現(xiàn)最差，為6.267 年。多模態(tài)的預(yù)測結(jié)果優(yōu)于任意一種單模態(tài)的預(yù)測結(jié)果，為2.767 年。經(jīng)過腦年齡偏差校正后的MAE 為2.476 年，表明腦年齡偏差得到了較好的校正。

3.2 Non-IDPs 對BrainAGE 的可解釋性

采用FDR 校正控制假陽性率（P≤0.05）后，共發(fā)現(xiàn)有105 個Non-IDPs 與BrainAGE 間存在顯著相關(guān)。隨后，再采用r值基于相關(guān)性強弱（|r|＞0.05）對Non-IDPs 進行選擇，共保留9 個Non-IDPs。VIF（VIF＜10）顯示9 個IDPs 間不存在共線性。最后，進行多元線性回歸分析，自變量P值顯著（P＜0.05）的Non-IDPs共有6 個，分別為服用治療藥物的數(shù)量、全谷物攝入量、糖尿病診斷、收縮壓、心室率以及吸煙狀況。被去除的3 個Non-IDPs 分別是過去的吸煙狀況、舒張壓以及整體的健康評估。結(jié)果見表4。

表4 影響大腦老化的Non-IDPs

4 討論

雖然所有的影像模態(tài)都具有預(yù)測大腦衰老的能力，但它們的預(yù)測效果并不相同。T1WI 和DWI 被認為是預(yù)測腦年齡最好的影像模態(tài)。本文發(fā)現(xiàn)灰質(zhì)形態(tài)和白質(zhì)微結(jié)構(gòu)的變化，特別是皮質(zhì)厚度的測量，是最關(guān)鍵的預(yù)測大腦老化的成像特征。之所以會出現(xiàn)這種情況，存在2 個方面原因：（1）臨床和神經(jīng)病理學研究表明，老年人的認知障礙通常與腦萎縮和髓磷脂降解有關(guān)[30-31]。（2）與其他影像模態(tài)相比，T1W（In=1 436）和DW（In=675）有更多的IDPs，具有更豐富的特征表達。其他4 種模態(tài)只能解釋少量的年齡差異，特別是SWI 和tfMRI。同時，本文的研究也表明，多模態(tài)的預(yù)測效果要好于任一單模態(tài)預(yù)測效果。

根據(jù)神經(jīng)認知的種子和土壤模型[32]，只有在受到不良的神經(jīng)環(huán)境（土壤）影響時，神經(jīng)細胞的死亡和神經(jīng)纖維纏結(jié)等病理過程（種子）才會逐漸發(fā)展為認知功能障礙。不良的神經(jīng)環(huán)境可能是伴隨著正常衰老而出現(xiàn)的各種慢性疾病，如糖尿病、高血壓等，也可能是不良的生活習慣，如抽煙、酗酒等。目前大量研究都集中在單一健康狀態(tài)和生活方式對BrainAGE 的影響上。但是，一種特定的健康狀態(tài)和生活方式往往只能解釋個體大腦老化過程中的一部分差異，它們以多維的方式對腦老化過程產(chǎn)生影響。因此，同時研究不同的健康狀態(tài)和生活方式對BrainAGE 的影響是非常必要的。本研究運用RVR模型，基于27 842 名受試者的6 種模態(tài)7 種特征集共2 218 個IDPs 進行腦年齡預(yù)測，并分析了一系列的Non-IDPs 與BrainAGE 間的關(guān)聯(lián)。

研究發(fā)現(xiàn)，加速腦老化具有健康狀況和生活方式依賴性，健康狀態(tài)和生活習慣越糟糕，BrainAGE得分越高，大腦也表現(xiàn)得越老。長期的高血壓會引起腦部結(jié)構(gòu)、功能和代謝的改變，進而導(dǎo)致腦損傷[11，33]。Cherbuin 等[34]發(fā)現(xiàn)收縮壓每增加10 mmHg（1 mmHg=133.32 Pa），BrainAGE 就增加51.1 d。本文的研究結(jié)果顯示，收縮壓每增加10 mmHg，BrainAGE 就增加32.9 d。這表明，收縮壓的上升會影響腦老化進程。糖尿病慢性腦病變包括形態(tài)學、神經(jīng)電生理和腦血流等方面的改變[35]。年齡和2 型糖尿病對大腦的影響可能都會導(dǎo)致老年2 型糖尿病患者的認知缺陷[36]。根據(jù)Franke 等[14]的研究，糖尿病患者具有較高的BrainAGE（4.6 年）。本文的研究結(jié)果也表明糖尿病患者的BrainAGE 會比未患糖尿病的中老年個體平均高0.53 年。保持良好的生活習慣可延緩大腦退化[37]。良好的生活習慣包括不吸煙、不酗酒，遠離“垃圾”食品，經(jīng)常運動等[38]。吸煙會減少大腦區(qū)域灰質(zhì)體積[39]，改變大腦半球水平動態(tài)功能連接密度[40]，導(dǎo)致大腦功能網(wǎng)絡(luò)的異常[41]。Bittner 等[42]發(fā)現(xiàn)，男性的包年數(shù)（每天吸煙盒數(shù)×吸煙年數(shù)）每上升1 個單位，其BrainAGE 就會增加0.55 個月，而女性的包年數(shù)每上升1 個單位，其BrainAGE 則會增加0.56 個月。本文關(guān)于吸煙的結(jié)果分析顯示，在整個生命周期中都吸煙的人，其BrainAGE 比從不吸煙的人高0.43 年。而以前吸煙現(xiàn)在已經(jīng)戒煙的人，他們的BrainAGE 比從來不吸煙的人高0.22 年。吸煙與大腦老化之間聯(lián)系的潛在機制還不明確。吸煙會引起動脈粥樣硬化，這可能會加速大腦衰老過程。對于中老年人，在患有慢性疾病的情況下，會服用藥物對慢性疾病進行治療。服用治療藥物數(shù)量可以視為一個簡單的風險分層工具，對中老年人的健康狀態(tài)進行度量。本文的研究結(jié)果顯示，受試者服用藥物的數(shù)量每增加1 種，BrainAGE 就增加21.2 d。心房顫動是一種常見的心率失常[43]，通常表現(xiàn)為不規(guī)則且較快的心率。有研究報道，心室率控制是心房顫動的重要治療方案[44]。本文的研究結(jié)果顯示，受試者心室每分鐘多搏動10 次，BrainAGE 就增加40.2 d。

除了上述加速腦老化的因素外，全谷物攝入量被發(fā)現(xiàn)是延緩大腦老化的因素。全谷物食品是指以全谷物等為原料加工而成的各種食品，其能更好地保留谷物中的膳食纖維、蛋白質(zhì)、B 族維生素、維生素E、抗氧化營養(yǎng)素等，具有潛在的健康益處。根據(jù)Kang等[45]的研究，全谷物食物的攝入量與大腦灰質(zhì)的總體積以及大多數(shù)認知功能間均存在正向的聯(lián)系。此外，Smith 等[46]也發(fā)現(xiàn)全谷物攝入量和BrainAGE 之間存在負向關(guān)系。本文的研究結(jié)果表明，受試者每星期多攝入1 碗全谷物，其BrainAGE 就會下降15.3 d。

從上述結(jié)果可以發(fā)現(xiàn)，同時研究不同的健康狀態(tài)和生活方式對BrainAGE 的影響，所發(fā)現(xiàn)的影響程度與前人研究[14-15，19，34]（見表5）相比一般偏小。造成上述結(jié)果的原因有2 個：一是本文中采用了海量的數(shù)據(jù)和多模態(tài)影像，使得預(yù)測結(jié)果更為準確。BrainAGE中所包含的方差較前期研究小，因此單一因素對BrainAGE 的影響程度會相對較小。二是前期研究中一般僅分析單一健康狀態(tài)和生活方式對BrainAGE的影響，而忽視了該因素與其他因素之間的關(guān)聯(lián)，從而導(dǎo)致該因素對BrainAGE 的影響存在過估計。本文和前人研究關(guān)于6 個Non-IDPs 對BrainAGE 的影響見表5。因此，健康狀態(tài)和生活方式對BrainAGE的影響的定量分析，應(yīng)同時研究不同的健康狀態(tài)和生活方式。

表5 不同研究方法中Non-IDPs 對BrainAGE 的影響程度對比

5 結(jié)語

本文在年齡范圍寬泛的大樣本數(shù)據(jù)集上，以多維的方式對BrainAGE 這種腦影像生物標記物進行研究。腦年齡預(yù)測模型是BrainAGE 分析的基礎(chǔ)。一個優(yōu)秀的腦年齡預(yù)測模型應(yīng)包含盡可能多的與年齡相關(guān)的影像特征，本文的多模態(tài)腦年齡預(yù)測模型效果好于任一單模態(tài)的預(yù)測效果?；诙嗄B(tài)影像大數(shù)據(jù)，RVR 模型的預(yù)測效果（MAE=2.767 年）優(yōu)于近期報道的一些腦年齡預(yù)測模型[27，47-49]（MAE 范圍為3.11～5.77 年）。通過多元線性回歸，發(fā)現(xiàn)6 個反映個體健康和生活方式的因素與BrainAGE 之間存在顯著關(guān)聯(lián)，但影響程度與前期研究相比一般偏小。本文研究表明，在一組認知能力正常的中老年人中，不同的健康狀態(tài)和生活習慣導(dǎo)致了大腦衰老的差異。本研究為促進大腦成功老化干預(yù)提供了重要線索，未來的研究有必要進一步探究其中潛在的生理機制。