利用脑龄差异预测模型解析神经退行性病变：图信号处理的视角

《IEEE Signal Processing Magazine》：Disentangling Neurodegeneration With Brain Age Gap Prediction Models: A graph signal processing perspective

神经退行性疾病中，脑年龄差距作为生物标志物可反映个体健康状态与神经影像数据的关联性，但传统机器学习方法存在不透明性和统计处理不足的问题。本文基于图信号处理（GSP）和协方差神经网络（VNNs）构建新型预测框架，通过协方差矩阵建模脑区结构关联，提升脑年龄差距预测的稳定性、跨数据集泛化性和可解释性，为临床应用提供更可靠的解决方案。

　　

摘要：

神经退行性疾病在大脑中表现出一致的皮质萎缩模式，其萎缩程度与正常健康个体的预期情况存在差异。脑年龄是一种基于神经影像数据集计算得出的生物年龄估计值。脑年龄差距（即预测的脑年龄相对于实际年龄的差异）增大，可能表明个体对神经退行性和认知衰退更为敏感。因此，脑年龄差距是一个有前景的生物标志物，可用于监测大脑健康状况。然而，目前普遍采用的机器学习（ML）方法在计算脑年龄差距时存在诸多方法学问题，这些问题源于决策过程的不透明性以及对神经退行性病变所固有统计现象处理不足。本文从图信号处理（GSP）的角度介绍了脑年龄差距预测的关键数学原理，旨在解决阻碍其实际应用的核心挑战。在此背景下，我们研究了一种基于协方差神经网络（VNNs）的深度学习框架，该框架能够从结构神经影像中提取的解剖特征来推断脑年龄差距。VNNs将协方差矩阵视为图结构进行运算，其理论基础借鉴了GSP领域的最新进展。实验结果表明，基于VNN的机器学习模型所计算的脑年龄差距具有稳定性、跨多尺度数据集的通用性以及更好的可解释性——这些关键特性有助于提高临床应用中脑年龄差距预测的可重复性和透明度。

神经退行性病变是指大脑中神经元结构或功能的逐渐丧失。长期以来，皮质厚度或体积的减少一直是评估神经退行性病变的主要指标；参见“案例研究1：阿尔茨海默病中的皮质萎缩”中的示例，了解如何在阿尔茨海默病（AD）背景下评估患者的皮质萎缩情况（并与健康对照组进行比较）。通常，人们会结合T1加权脑磁共振成像（MRI）图像及其量化结果以及其他生物学指标，对个体的大脑健康状况进行“主观”评估。然而，这类评估方法存在主观性，因为个体的健康状态与MRI扫描中观测到的指标数值之间缺乏确定性关联[1]。此外，这些方法无法充分解释神经影像数据集中所蕴含的复杂统计特性。事实上，神经退行性病变既是正常衰老过程的一部分，也是多种神经系统疾病的共同特征[2]，并且会在大脑不同区域呈现出相关的萎缩模式。这些统计因素凸显了使用数据驱动方法来表征神经退行性病变的必要性。