深度学习模型通过磁共振成像在估计大脑年龄方面取得了最先进的结果。我们将年龄预测问题从全局预测转化为图像回归问题，比较了基于体素的年龄预测模型与基于全局的模型以及它们对应的显著性地图。结果表明，基于体素的年龄预测模型更具解释性，因为它们提供了关于大脑衰老过程的空间信息，并从定量化中受益。

Aug, 2023

通过使用合成大脑年龄（SynthBA）模型，我们可以预测大脑的年龄并且在临床环境中更加广泛地应用，而不受获取方式变化的限制。

Jun, 2024

本研究主要评估基于血液生物标志物、面部图像和神经影像结构特征的三种生物年龄预测方法，并发现血液生物标志物法最为简便、直接且准确。面部图像法在受种族、环境等多方面影响下，预测准确度有所欠缺，不能为医疗领域做出太大的贡献。总的来说，我们在大数据时代寻找前进的道路，并展示了利用当今可用的大量数据的方法。

Jun, 2022

使用深度学习和卷积神经网络方法，预测健康人群的大脑年龄，并建立其作为大脑衰老过程个体差异性的生物标志物的资格，该预测模型的结果证明了其在灰质或白质参数地图上的预测准确度极高，具有高度的可靠性和遗传学效度，可用于评估大脑老化的生物标志物，并且可以在原始数据上准确生成预测，实现在临床现场获得大脑健康信息。

Dec, 2016

本文提出了使用深度学习模型通过 MRI 数据预测大脑结构的年龄从而提高异常检测的准确性，并且该方法可用于神经疾病差异诊断的多病种分类任务。

Apr, 2023

通过对 ResNet-34 模型的综合子群性能分析和特征检查，我们发现在种族和生物性别方面存在偏见，且在特征分布上存在统计学上的显著差异，这表明脑龄预测模型需要进一步分析。

Sep, 2023

通过深度学习模型进行局部脑龄预测，发现健康人和有神经疾病（如痴呆和阿尔茨海默病）的人之间存在脑龄差异。

Oct, 2023

我们采用半监督扩散模型，在低质量的 T1w MR 图像上获得了年龄的预测结果与实际年龄之间 0.83（p<0.01）的相关性，这竞争力超过了最先进的非生成方法。此外，我们模型的预测结果与肌萎缩侧索硬化的生存期长度有显著相关性 (r=0.24, p<0.05)，从而显示了扩散模型在脑龄预测任务中的价值。

Feb, 2024

本研究提出了一种全局和局部信息相结合的转换器，将局部细节和全局信息相结合，利用注意机制根据磁共振成像（MRI）数据进行快速脑龄估计。该方法在 8 个公共数据集上进行验证，相比现有方法，其均方误差为 2.70 岁，相关系数为 0.9853，同时提供了与脑龄估计相关的信息。

Sep, 2021

利用微结构特征和非宏观结构特征，开发基于白质特定的年龄估计方法，成功捕捉异常的白质年龄化现象。

Nov, 2023