麥可愛森斯坦 (Michael Eisenstein) 發表在最新一期《自然》(Nature)的<大腦老化的五種方式：50,000 次掃描揭示可能的損傷模式>( Five ways the brain can age: 50,000 scans reveal possible patterns of damage)指出，結果燃起了人們的希望，可以開發出檢測神經退化性疾病早期階段的方法。(Results raise hopes that methods could be developed to detect the earliest stages of neurodegenerative disease.)
極大地促進研究人員對衰老的理解
對近 50,000 份腦部掃描的分析揭示了與老化和神經退化性疾病相關的五種不同的腦萎縮模式。該分析還將這些模式與吸煙和飲酒等生活方式因素以及與健康狀況和疾病風險相關的遺傳和血液標記聯繫起來。
洛杉磯南加州大學的老年學家安德烈·伊里米亞（Andrei Irimia）沒有參與這項工作，他說，這項工作是“方法論傑作”，可以極大地促進研究人員對衰老的理解。 「在這項研究之前，我們知道大腦解剖結構會隨著老化和疾病而改變。但我們掌握這種複雜相互作用的能力要小得多。該研究發表於8月15日的《自然醫學》雜誌。
腦部有皺紋，還會導致大腦解剖結構發生變化
老化不僅會導致頭髮變白，還會導致大腦解剖結構發生變化，這些變化在磁振造影 (MRI) 掃描中可見，隨著時間的推移，某些區域會萎縮或結構變化。但這些轉變是微妙的。費城賓州大學生物醫學影像專家、論文的作者之一克里斯托·達瓦齊科斯 (Christos Davatzikos) 表示，「人眼無法感知與這種衰退相關的系統性大腦變化模式」。
先前的研究表明，機器學習方法可以從 MRI 數據中提取衰老的微妙指紋。但這些研究的範圍往往有限，而且大多只包含相對少數人的數據。
為了識別更廣泛的模式，達瓦齊科斯的團隊進行了一項研究，大約花了八年的時間才完成並發表。他們使用了一種名為 Surreal-GAN 的深度學習方法，該方法是由第一作者楊志堅在 Davatzikos 實驗室攻讀研究生時開發的。科學家利用 1,150 名年齡在 20 至 49 歲之間的健康人以及 8,992 名老年人（其中許多人正在經歷認知能力下降）的腦部 MRI 數據對演算法進行了訓練。這教導演算法識別老化大腦的重複特徵，使其能夠創建傾向於同時變化的解剖結構的內部模型，而不是傾向於獨立變化的解剖結構。
然後，研究人員將所得模型應用於參與各種老化和神經健康研究的近 50,000 人的 MRI 掃描。此分析得出了五種不同的腦萎縮模式。科學家將各種類型的與年齡相關的大腦退化與五種模式的組合聯繫起來，儘管具有相同狀況的個體之間存在一些差異。
老化模式，失智症與五種模式中的三種有關
例如，失智症及其前兆輕度認知障礙與五種模式中的三種有關。有趣的是，研究人員還發現證據表明，他們發現的模式有可能被用來揭示未來更多大腦退化的可能性。 「如果你想預測從認知正常狀態到輕度認知障礙的進展，到目前為止，一種[模式]是最具預測性的，」達瓦齊科斯說。 “在後期階段，添加第二種[模式]會豐富你的預測，這是有道理的，因為這種捕獲了病理學的傳播。”其他模式與帕金森氏症和阿茲海默症等疾病有關，三種模式的組合可以高度預測死亡率。
作者發現某些腦萎縮模式與各種生理和環境因素（包括飲酒和吸煙，以及各種與健康相關的遺傳和生化特徵）之間有明顯的關聯。達瓦齊科斯說，這些結果可能反映了整體身體健康對神經健康的影響，因為其他器官系統的損傷可能會對大腦產生影響。
達瓦齊科斯警告說，這項研究“並不意味著一切都可以歸結為五個數字”，然而，他的團隊正在尋求使用包括更廣泛的神經系統疾病以及具有更大種族和民族多樣性的數據集。