Translating Imaging-based Brain Age Models for Predicting Accelerated Brain Ageing in African Populations: A Pilot Study on a Nigerian Cohort.

人类的大脑并非一个静态器官；它随着我们年龄的增长而改变形状和结构。正如我们的皮肤会产生皱纹，或者骨骼密度会随时间流逝而降低一样，大脑也会经历一种自然的、渐进的转变。科学家们已经学会使用磁共振成像（MRI）来测量这些变化，从而创造了一个被称为“大脑年龄”的概念。这是一个估算一个人大脑看起来有多大的数值，它是基于大脑的物理结构，而非其实际生活的年岁。如果大脑看起来比一个人的实际年龄要老，这可能预示着该器官正承受着压力，或者面临患上痴呆症等疾病的风险。多年来，研究人员一直利用这个概念来尝试早期发现健康问题。然而，用于计算这种大脑年龄的工具存在一个显著的缺陷：它们几乎完全是利用来自北美、欧洲和澳大利亚的人群数据构建的。这些模型假设所有人类大脑的老化方式都是相同的，而不考虑一个人居住在哪里或其背景如何。这种假设忽略了遗传、环境，甚至拍摄图像时使用的特定机器都会影响大脑外观这一事实。

一组研究人员着手测试这些由西方制造的工具是否适用于非洲，特别是尼日利亚。他们利用了非洲神经影像档案（AfниA），这是一个包含来自整个大陆的超过11,000份临床大脑扫描图像的多机构数据库。从这个庞大的档案中，他们仔细挑选了309份来自神经系统健康的尼日利亚成年人的扫描图像，这意味着他们没有已知的脑部疾病或异常。这些特定的扫描图像来自尼日利亚的各种来源，包括公立和私立医院，并且使用了五种不同类型的MRI机器。其中许多图像并不是研究中通常使用的清晰、高分辨率的3D图像；相反，它们通常是速度更快、质量较低的2D切片，以便让患者快速通过诊室。为了使这些图像在研究中可用，团队使用了一个计算机程序将这些2D切片转换为3D图像，有效地填补了空白以创建完整的脑部图像。随后，他们对这些图像进行了严格的质量检查，剔除了任何过于模糊或扭曲而无法使用的扫描件，从而确保他们的最终数据集在现实世界的约束条件下尽可能可靠。

在准备好干净的数据集后，团队训练了一个新的计算机模型，专门学习针对这一尼日利亚人群的大脑结构与年龄之间的关系。他们教导模型观察不同脑区的尺寸和形状，并预测该人的年龄。当他们测试这个新模型时，在应用标准的统计调整之前，其预测误差平均约为9.8年。在进行了一项简单的修正，以解决这些模型普遍存在的“高估年轻人、低估老年人”的倾向后，误差显著下降至仅6.4年。这种准确度可以与在来自全球北方的海量高质量数据集上训练出的最佳模型相媲美，但它是利用更具当地代表性的数据实现的。

为了观察旧有的、进口的模型表现如何，研究人员在同样的尼日利亚数据上测试了四种不同的既有大脑年龄工具。这些工具是在来自英国、美国和欧洲的人群数万份扫描图像上训练而成的。结果非常悬殊。这些进口模型产生的误差要大得多，有些平均误差甚至超过了16年。其中一个最先进的深度学习模型曾因其能够泛化到新群体而受到赞誉，但在处理一小部分扫描图像时却彻底失败，根本无法处理这些图像。另一个模型的表现如此糟糕，以至于它实际上预测了该群体错误的衰老方向。研究人员发现，这些模型本质上是在试图强行让尼日利亚的大脑去符合一种它们从未见过的模式，从而导致了混乱和不准确的结果。这项研究表明，即使是最先进的工具，如果不能跨洲转移，也会失去其可靠性。

该研究还强调了将这些技术引入资源有限地区的实际挑战。虽然他们构建的新模型很准确，但准备图像的过程却耗费了大量时间。将所有309名参与者的扫描图像进行转换和分析，需要近40天的连续计算机处理时间。这种瓶颈源于需要将大脑图像分解为特定部分才能让模型读取，这对于节奏紧凑的医院来说是一个主要的障碍。研究人员指出，虽然存在更新、更快速的方法，但这些方法通常需要昂贵且功能强大的计算机，而这在非洲许多地方是无法获得的。这造成了一个两难的选择：最准确的模型运行太慢且成本太高，难以广泛使用；而更快的模型则往往准确度较低，或者在处理本地数据时完全失效。

最终，这项工作表明，改善非洲大脑健康路径需要一种不同的方法。仅仅将发达国家开发的工具应用于非洲人群是不够的。研究人员证明，通过使用本地数据来构建本地模型，我们可以获得既准确又与所研究人群相关的结果。他们得出结论，全球大脑健康的未来取决于建立一个多样化的工具生态系统，每个工具都要针对其旨在服务的特定人群进行验证。随着他们继续收集来自整个大陆的数据，他们希望进一步完善这些模型，最终创建一个能够可靠识别加速大脑老化风险个体的系统，从而实现早期干预，为长期以来被排除在讨论之外的数百万人提供更好的护理。