基于结构MRI和AI综合脑血容积措施的多模态3D CNN脑龄估计提升

脑龄间隙估计（BrainAGE）是神经生物学衰老和疾病风险的有潜在生物标志物，但当前方法主要依赖T1加权结构MRI（T1w），忽略了可能先于组织损伤和认知衰退的功能血管变化。人工智能生成的脑血容积（AICBV）图从非对比MRI综合，提供了捕捉与早期神经退行性相关血管信息的替代方案。我们开发了一种多模态BrainAGE框架，将两种基于线性回归的3D VGG网络脑龄预测集成，其中一种模型仅使用结构T1w扫描训练，另一种模型仅使用来自预训练3D块深度学习模型生成的AICBV图训练。每种模型在13个开源数据集（共2,851个扫描）上进行训练和验证，并在ADNI受试者（n=1,233）中评估其与轻度认知障碍（MCI）和阿尔茨海默病（AD）的一致性。组合模型在认知正常（CN）对照组中实现了最准确的脑龄间隙，平均绝对误差（MAE）为3.95年（$R^2$=0.943），优于仅使用T1w（MAE=4.10）或仅使用AICBV（MAE=4.49）的模型。热图显示不同模态的互补贡献：T1w侧重白质和皮层萎缩，而AICBV则突出血管丰富区和旁脑室区域，这些区域与低灌注和早期脑血管功能障碍相关，符合正常衰老特征。随后我们观察到BrainAGE在诊断分层中呈阶梯式增加（CN < MCI < AD），并与认知障碍相关（CDRSB相关系数r=0.403；MMSE相关系数r=-0.310）。基于AICBV的BrainAGE在稳定型与进展型MCI之间显示出强烈分离（p=$1.47 \times 10^{-8}$），表明其对先于显著萎缩的早期血管性变化具有高度敏感性。