當我們談論大腦的年齡加速時，我們實際上在探討一項引人注目的研究，它利用了人工智能的力量，為我們揭示了大腦內部機制的深層信息。這項研究還有望幫助我們更好地理解腦部相關疾病，如老年癡呆癥，以及為診斷和治療提供新的工具。

研究人員來自西奈山醫(yī)學中心，他們近日宣布開發(fā)了一項名為“HistoAge”的人工智能算法，可以根據(jù)人腦組織標本的細胞組成來預測死亡時的年齡，平均準確度在5.45年以內。這一工具不僅可以預測年齡，還可以幫助識別可能受到年齡相關變化影響的神經(jīng)解剖區(qū)域，這也是潛在認知疾病的指標。

他們的研究成果已經(jīng)在《Acta Neuropathologica》雜志上發(fā)表，題為“通過多實例學習的組織學大腦年齡估計”。

研究人員指出，理解大腦中的年齡加速，也就是生物年齡和實際年齡之間的不一致性，可以揭示大腦正常生理機制的洞見，同時也可以闡明年齡相關功能下降的病理決定因素，還能幫助識別阿爾茨海默病等疾病早期變化的跡象。

研究人員使用了700多張數(shù)字化的人類海馬區(qū)切片圖像來開發(fā)這一組織學大腦年齡估計算法。他們利用模型預測的年齡與實際年齡之間的差異來計算大腦的年齡加速。

與當前的年齡加速測量方法相比，研究人員發(fā)現(xiàn)，基于HistoAge的年齡加速與認知障礙、腦血管疾病以及阿爾茨海默病類型的異常蛋白質聚集程度之間存在更強的關聯(lián)。他們的研究表明，HistoAge模型是一個可靠的、獨立的指標，用于確定大腦年齡，以及理解隨時間推移發(fā)生的神經(jīng)退化的因素。

展望未來，研究人員計劃建立多中心合作伙伴關系，以開發(fā)更多的人工智能模型，并利用更大規(guī)模的數(shù)據(jù)集，這些模型有潛力徹底改變和增進我們對大腦疾病的理解。這一領域的不斷進展為我們提供了更深入的洞見，有望幫助提前診斷和治療腦部疾病，提高患者的生活質量。

參考文獻：Histopathologic Brain Age Estimation via Multiple Instance Learning

編輯：王洪

排版：李麗