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

本文应用深度学习技术，以胸部 X 光片为数据集，采用回归模型对人的年龄进行预测，并探索了激活图以识别影响预测的重要区域，发现在正确预测的 X 光片中，在锁骨、肩膀、脊柱和纵膈部等部位最活跃，在异常预测的 X 光片中则可能出现疾病模式，可以用于评估患者健康状况与其年龄预期平均值之间的差距。

Mar, 2019

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

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

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

本文介绍了一种使用机器学习模型和开放的健康大脑数据集（OpenBHB dataset）的新的脑龄评估框架，该框架整合了三种不同的 MRI 衍生区域特征和不同的回归模型，可高度精确地评估脑龄，对于认识神经学疾病和与年龄相关的大脑变化具有重要意义。

Jun, 2023

提出一种优化下游任务的人口图结构学习框架，通过注意机制为一组成像和非成像特征分配权重，用于边提取，并使用生成的图来训练图卷积网络，结果表明该方法在脑龄回归和分类方面优于固定图方法和其他最先进的自适应方法，并且赋予的注意程度指示了成像和非成像特征对脑龄估计的信息价值与相关文献一致。

Jul, 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

本文介绍了一种使用可解释人工智能（XAI）进行年龄预测的方法，重点关注了 EEG 信号和肺 X 光两种特定的模态。我们分享了年龄预测的预测模型，以促进对这些模态的模型进行解释的新技术的研究。

Mar, 2023

本研究提出了一种基于 VNN 的大脑年龄预测框架，可通过解释获得对年龄差异的洞察力，包括对 Alzheimer 疾病中引起年龄差异的贡献的识别和脑部区域的解释。

May, 2023