基于图信号处理视角的脑龄差预测模型解构神经退行性疾病

神经退行性疾病以逐渐失去神经结构或功能为特征，常通过结构 MRI 可视化的皮层厚度或脑容积减小来评估。在临床实践中，这些传统方法缺乏捕捉神经退行性疾病在空间相关性和异质性方面的统计复杂性，这种疾病既在健康老化中也在神经系统疾病中表现出来。为克服这些限制，脑龄差已成为脑健康的有前景数据驱动生物标志物。脑龄差预测 (BAGP) 模型估计个人从神经影像数据预测的脑龄与其年龄之间的差异。得到的脑龄差作为脑健康的紧凑型生物标志物，最近的研究表明其对疾病进展和严重程度具有预测价值。然而，BAGP 模型的实际采纳受到其方法学模糊和在不同临床人群中的有限通用性的限制。本教程文章提供了 BAGP 的概述，并引入一种基于近期图信号处理 (GSP) 进展的原则框架。特别是，我们关注图神经网络 (GNN)，并引入 coVariance 神经网络 (VNN)，该网络利用从结构 MRI 中推导的解剖协方差矩阵。VNN 提供了强大的理论依据和操作可解释性，使其能够稳健地估计脑龄差预测。通过整合来自 GSP、机器学习和网络神经科学的视角，本工作阐明了可靠且可解释的 BAGP 模型的前进路径，并概述了在个体化医学中的未来研究方向。