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

合成纵向脑 MRI 模拟脑老化，以更有效地研究神经发育和神经退行性疾病，提供代价较低的纵向脑成像替代品，使得环境和治疗改变对脑发育的影响可以得到更好的内部控制，并为不同人群的数据增强提供可能。

Feb, 2024

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

该论文提出了一种基于深度学习的方法，通过合成图像并考虑年龄和阿尔茨海默病的状态，来模拟特定对象的大脑衰老轨迹，并展示了该方法在神经退行性疾病研究中的应用潜力。

Dec, 2019

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

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

Triamese-ViT 是一种创新的 ViT 模型适用于脑龄估计，通过整合三个不同方向的 ViTs 模型来捕捉三维信息，显著提高了准确性和可解释性，对 MRI 扫描的测试结果表明，Triamese-ViT 的平均绝对误差为 3.84，与实际年龄的 0.9 斯皮尔曼相关系数以及脑龄差和实际年龄的 - 0.29 斯皮尔曼相关系数，明显优于以前的脑龄估计方法。Triamese-ViT 的一个关键创新是能够生成综合的类似三维的注意力图，由每个方向特定的 ViT 的二维注意力图合成，这个特性对于深入研究脑龄分析和疾病诊断非常有益，可以提供更深入的脑健康和年龄相关神经变化机制的洞察。

Jan, 2024

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

使用神经影像数据和机器学习算法估计生物年龄的脑龄是反映神经退行和认知衰退易感性增加的标志。本文研究了基于协方差神经网络的神经 VNN 作为脑龄预测应用基础模型，在健康人群中对神经 VNN 进行了预训练用于预测年龄，并在不同神经学背景下进行了微调来估计脑龄。重要的是，神经 VNN 为脑龄增加解剖学可解释性，并具有 “无尺度” 特性，可迁移到根据任意脑图精心策划的数据集。我们的结果表明，神经 VNN 可以从不同人群中提取符合生物学规律的脑龄估计，并成功迁移到维度与训练神经 VNN 的数据集不同的数据集中。

Feb, 2024