阿爾茨海默病和輕度認知損害的腦齡比較

蒙茗 韋人 孫君 柴麗 姜季委 徐俊 段云云

基金項目：國家重點研發計劃（2022YFC2009900）

摘要：目的? 探討阿爾茨海默病（AD）與輕度認知損害（MCI）患者的腦齡差異，并分析腦齡差（BAG）與臨床特征之間的相關性。方法? 回顧性分析2018年12月至2021年7月首都醫科大學附屬北京天壇醫院臨床診斷為很可能AD和AD源性MCI的132例患者的臨床及影像資料。根據AD和MCI診斷標準分為AD組和MCI組；并納入招募的排除神經系統疾病及其他系統嚴重疾病的156例志愿者作為對照組。比較3組患者的一般資料、蒙特利爾認知評估量表（MoCA）評分、簡易精神狀態檢查量表（MMSE）評分的差異。采用深度學習腦齡預測模型計算3組的BAG，采用Spearman相關性分析探討BAG與臨床特征之間的相關性。結果? 132例患者中，AD組106例，MCI組26例。AD組患者MoCA、MMSE評分均顯著低于MCI和對照組（P均＜0.001）；MCI組患者MoCA、MMSE評分顯著低于對照組（P均<0.001）。AD組患者預測腦齡、BAG顯著高于MCI（P=0.040，P=0.003）和對照組（P=0.001，P＜0.001）；MCI組患者預測腦齡、BAG與對照組之間差異無統計學意義（P=0.352，P=0.224）。Spearman相關性分析結果顯示，AD組BAG與MoCA評分（r=-0.341，P＜0.001）、MMSE評分（r=-0.324，P=0.001）呈顯著負相關。結論? BAG作為一種影像生物學標志物可以用于評價認知障礙患者的腦結構變異程度和腦損傷的嚴重程度。

關鍵詞：腦齡；阿爾茨海默??；輕度認知損害；MRI

中圖分類號： R445.2? 文獻標志碼： A? 文章編號：1000-503X（2023）05-0789-05

DOI：10.3881/j.issn.1000-503X.15666

Difference in Brain Age Between Alzheimers Disease and Mild Cognitive Impairment

MENG Ming1，WEI Ren1，SUN Jun1，CHAI Li1，JIANG Jiwei2，XU Jun2，DUAN Yunyun1

1Department of Radiology，2Department of Neurology，Beijing Tiantan Hospital，Capital Medical University，Beijing 100070，China

Corresponding author：DUAN Yunyun? Tel：010-59975396，E-mail：duanyun1981@126.com

ABSTRACT：Objective? To investigate the brain age differences between Alzheimers disease（AD）and mild cognitive impairment（MCI）patients，and further explore the correlations between brain age gap（BAG）and clinical features.Methods? The clinical data and radiologic findings of 132 probable AD and AD-derived MCI patients diagnosed at Beijing Tiantan Hospital，Capital Medical University from December 2018 to July 2021 were retrospectively analyzed.According to the diagnostic criteria for AD and MCI，the patients were assigned into AD and MCI groups.In addition，156 volunteers without neurological diseases and other severe diseases were recruited as the control group.The general data，Montreal cognitive assessment（MoCA）score，and mini-mental state examination（MMSE）score were compared among the three groups.The deep learning-based brain age prediction model was employed to calculate the BAGs of the three groups.Spearman correlation analysis was conducted to explore the correlations between BAG and clinical features.Results? The 132 patients included 106 patients in the AD group and 26 patients in the MCI group.The MoCA and MMSE scores followed an ascending trend of AD group

Key words：brain age；Alzheimers disease；mild cognitive impairment；MRI

Acta Acad Med Sin，2023，45（5）：789-793

阿爾茨海默?。ˋlzheimers disease，AD）是一種常見的與年齡密切相關的神經系統退行性疾病，其防治的關鍵是早期發現與診斷。許多患者在進展為AD之前會出現輕度認知損害（mild cognitive impairment，MCI），是介于正常衰老和AD之間的過渡狀態［1］。近年來，由神經系統MRI所衍生的腦齡預測技術較多地應用于評估大腦衰老程度和識別神經系統退行性病變［2-3］。當個體的腦衰老軌跡與典型的生理性衰老軌跡存在較大偏離時，則提示可能存在某種神經病理性改變，而由腦齡估算模型所計算的預測腦齡與實際生理年齡之間的差異，即腦齡差（brain age gap，BAG）可反映這種偏離［4］，且其有效性已經得到廣泛的證據支持［5］。但由于不同研究團隊所采用的影像特征和訓練模型不一致，因此結果存在一定的異質性。本研究采用深度學習腦齡預測模型，探討BAG作為神經影像生物學標志物在預測和鑒別AD與MCI中的作用。

資料和方法

資料來源? 回顧性收集2018年12月至2021年7月首都醫科大學附屬北京天壇醫院臨床診斷為很可能AD和AD源性MCI的132例患者的臨床及影像資料。同時納入從社會招募的排除神經系統疾病及其他系統嚴重疾病的156例志愿者作為對照組。入組標準：（1）年齡≥18歲；（2）符合2011年美國國家衰老研究所和阿爾茨海默病協會發布的AD和MCI診斷標準［6-7］；（3）完整的臨床信息，包括受教育年限、病程、認知量表評分等；（4）符合診斷要求的基線三維T1加權成像（three-dimensional T1-weighted imaging，3D TIWI）。排除標準：（1）合并其他系統嚴重疾?。唬?）MRI圖像質量不佳。本研究經首都醫科大學附屬北京天壇醫院倫理委員會批準（倫理審批編號：KY 2021-028-03）。為保護患者隱私，所有入組影像資料以數字編號表示。

用于深度學習模型訓練的數據及模型性能? 本研究用于深度學習腦齡模型訓練的數據集來自多個公開的大樣本庫的健康對照組（n=9794），包括AD神經影像學倡議數據集，澳大利亞成像、生物標志物和生活方式衰老研究［8］，腦基因組學超級結構計劃［9］，西南大學縱向影像多模態項目［10］以及2019年1至12月本院掃描的一組健康對照數據?；?D T1WI圖像構建預測模型，采用全部數據對模型進行了108次完整訓練，其反向線性偏差校正前的平均絕對誤差（mean absolute error，MAE）為（2.63±2.00）年，將最終模型在2個獨立的數據集上進行驗證，內部測試數據集包括2020年1至4月本院采用兩種型號MRI設備掃描的一組健康人群（n=462），MAE為（2.9±3.1）年，兩種型號掃描儀之間差異無統計學意義（P=0.581），年齡與預測腦齡之間的Pearson相關系數為0.957；外部測試數據集包括來自另一個多中心視神經脊髓炎譜系病和多發性硬化隊列中的健康者（n=267），MAE為（4.5±3.9）年，兩個研究中心之間差異無統計學意義（P=0.660），年齡與預測腦齡之間的Pearson相關系數為0.890［11］。

MRI圖像采集? 采用美國GE公司SIGNA Premier和荷蘭Philips公司Ingenia CX 3.0T磁共振掃描儀，使用頭頸線圈，采集磁化準備快速梯度回波（magnetization prepared rapid gradient echo imaging，MPRAGE）序列。3D T1WI掃描參數：重復時間6.5 ms，回波時間3.0 ms，層厚1 mm，層間距0，空間分辨率1.0 mm×1.0 mm×1.0 mm，視野256 mm×256 mm。

BAG計算方法? 采用本課題組開發的基于深度學習的腦齡預測模型［11］進行BAG的計算，通過卷積神經網絡提取訓練數據集中每個樣本頭顱影像的抽象特征，并對這些特征進行計算，得到包括該樣本頭顱影像在多個預設腦年齡段內的輸出腦齡概率。由模型獲得的預測腦齡與實際生理年齡之差即為BAG。本研究生理年齡為圖像采集日期與出生日期之差，以天為單位，折算為年。

統計學處理? 采用SPSS 25.0統計軟件，以Kolmogorov-Smirnov檢驗計量資料的正態性，符合正態分布的計量資料以均數±標準差表示，多組間比較采用方差分析，組間兩兩比較采用SNK檢驗；不符合正態分布的計量資料以M（Q1，Q3）表示，多組間比較采用非參數Kruskal-Wallis檢驗，組間兩兩比較采用Mann-Whitney U秩和檢驗，并對統計結果進行錯誤發現率校正。計數資料以例數和百分數表示，多組間比較采用Pearson χ2檢驗。采用Spearman相關性分析探討BAG與臨床特征之間的相關性。P＜0.05為差異有統計學意義。

結果

一般情況? 共納入132例患者，男47例，女85例，平均年齡（66.54±10.28）歲（23～87歲），病程1～120個月。其中，AD組106例，平均年齡（67.71±9.04）歲（44～87歲），平均受教育年限（10.40±4.34）年，中位病程24（12，48）個月，中位蒙特利爾認知評估量表（Montreal cognitive assessment，MoCA）評分11.50（6.00，17.00）分，中位簡易精神狀態檢查量表（minimum mental state examination，MMSE）評分17.00（11.00，23.00）分；MCI組26例，平均年齡（61.77±13.48）歲（23～83歲），平均受教育年限（10.69±4.08）年，中位病程12（6，36）個月，中位MoCA評分22.00（20.25，25.00）分，中位MMSE評分26.00（25.00，28.00）分。對照組156例，男69例，女87例，平均年齡（61.06±7.91）歲（46～84歲），中位MoCA評分25.00（24.00，27.00）分，中位MMSE評分29.00（28.00，29.25）分。AD與MCI組患者的受教育年限低于對照組（P=0.011，P=0.021）。AD組患者中位病程長于MCI組（P=0.006）。AD組患者MoCA和MMSE評分顯著低于MCI組，且均顯著低于對照組（P均<0.001）（表1）。

腦齡預測結果比較? AD組、MCI組、對照組實際年齡分別為（67.71±9.04）、（61.77±13.48）、（61.06±7.91）歲，預測腦齡分別為（74.43±7.93）、（64.73±13.08）、（59.93±8.29）歲，BAG分別為（6.72±7.08）、（2.96±6.56）、（0.88±5.23）年，AD組患者預測腦齡、BAG高于MCI組（P=0.040，P=0.003）及對照組（P=0.001，P<0.001），而MCI組與對照組之間差異無統計學意義（P=0.352，P=0.224）（圖1）。

BAG與臨床特征之間的相關性? Spearman相關性分析結果顯示，AD組BAG與MoCA評分（r=-0.341，P＜0.001）、MMSE評分（r=-0.324，P=0.001）呈顯著負相關，與受教育年限（r=0.084，P=0.391）和病程（r=-0.007，P=0.946）之間無相關性；而MCI和對照組的BAG與受教育年限、病程、MoCA評分及MMSE評分之間均無相關性（P均>0.05）（表2）。

討論

BAG可以反映個體在大腦老化過程中存在的異質性損傷，已成為一種被廣泛研究的衰老生物學標志物。通常正常衰老者的BAG應趨近于0，其數值越大，說明大腦衰老或損傷的程度越嚴重；BAG升高常見于創傷性腦損傷［12］、癲癇癥［13］、精神分裂癥［14］、抑郁癥［15］等患者中。研究發現不同腦齡預測模型的結果存在差異?；?D簡單全卷積神經網絡的腦齡預測模型可以將非深度學習預測模型的MAE從2.9～5.0歲降至2.14歲［16-18］。本研究采用的模型在開發驗證集及內部測試集中MAE為2.6～2.9歲，證明了模型的有效性；同時，在多中心外部測試集中該模型也呈現出較高的穩定性。

本研究采用深度學習模型通過3D結構MRI預測腦齡，發現AD與MCI組患者的實際年齡之間差異無統計學意義，但AD組的預測腦齡大于實際年齡，且高于MCI組（P=0.040），MoCA和MMSE評分均顯著低于MCI和對照組（P均＜0.001），BAG與MoCA評分（P＜0.001）、MMSE評分（P=0.001）呈顯著負相關，與既往研究結果一致［19］。隨著疾病的進展，大腦老化速度加快，解剖結構也會發生相應改變，進而影響腦容量、降低腦功能，出現BAG值的升高和認知功能評分的降低。有研究證實BAG值每增加1年，患AD的風險就會增加4.57%［21］。BAG作為一種影像生物學標志物，能在一定程度上預測大腦的相關變化，反映疾病的嚴重程度以及認知功能衰退的幅度。

腦齡往往會隨著年齡的增加而增加，但是AD患者的腦齡增加幅度遠遠大于生物學年齡的增長，反映出疾病引起了腦組織結構產生了較大的變化，而腦齡模型和BAG可以作為一種直觀的方式來評估腦結構、功能和認知能力等方面的變化。MCI組與對照組的實際年齡、預測腦齡及BAG之間的差異均無統計學意義，但MoCA、MMSE評分均顯著低于對照組（P均<0.001），提示MCI患者的認知障礙程度較輕，所引起的腦結構變化較小，因此3D MRI表現與對照之間的差異并不明顯。當個體的認知功能發生輕度衰退但還未累及大腦結構時，及時干預可能會延緩大腦老化的速度，從而降低疾病致殘率。本研究中MCI組的BAG與認知量表評分無相關性，與Lwe等［20］研究結果一致。在后續研究中將進一步增大樣本量，以探索MCI患者BAG與認知評分之間的關系。

此外，盡管AD和MCI組患者的受教育年限低于對照組，且AD組的病程明顯長于MCI組，但受教育年限及病程時長與腦齡無相關性，說明相較于個體的基礎生理狀態，如遺傳學信息、健康情況、生活習慣等，教育程度及患病時間對于腦齡的影響可能相對較小，但這一推測還需要進一步驗證。

本研究存在一些局限性：首先，本研究采用3D T1WI MRI，是一種較新的掃描序列，未來將探索基于臨床常規二維掃描開發腦齡預測模型的可行性，以提高模型的臨床適用性；其次，納入的MCI患者樣本量較小，進一步擴大樣本量有助于深入探討BAG與認知功能之間的相關性。

綜上，本研究結果表明，BAG作為一種穩定、可靠的影像生物學標志物，可以用于評價AD患者的認知功能損害程度，進而協助臨床醫生對患者進行分層、分類管理。

參考文獻

［1］Pringsheim T，Day GS，Sager M，et al.Practice guideline update summary：mild cognitive impairment：Report of the Guideline Development，Dissemination，and Implementation Subcommittee of the American Academy of Neurology[J].Neurology，2018，90（3）：126-135.DOI：10.1212/WNL.0000000000004826.

［2］Ran C，Yang Y，Ye C，et al.Brain age vector：a measure of brain aging with enhanced neurodegenerative disorder specificity[J].Hum Brain Mapp，2022，43（16）：5017-5031.DOI：10.1002/hbm.26066.

［3］Taylor A，Zhang F，Niu X，et al.Investigating the temporal pattern of neuroimaging-based brain age estimation as a biomarker for Alzheimers disease related neurodegeneration[J].Neuroimage，2022，263：119621.DOI：10.1016/j.neuroimage.2022.119621.

［4］Baecker L，Garcia-Dias R，Vieira S，et al.Machine learning for brain age prediction：introduction to methods and clinical applications[J].EBioMedicine，2021，72：103600.DOI：10.1016/j.ebiom.2021.103600.

［5］Wang M，Ren Q，Shi Y，et al.The effect of Alzheimers disease risk factors on brain aging in normal Chineses：cognitive aging and cognitive reserve[J].Neurosci Lett，2022，771：136398.DOI：10.1016/j.neulet.2021.136398.

［6］McKhann GM，Knopman DS，Chertkow H，et al.The diagnosis of dementia due to Alzheimers disease：recommendations from the National Institute on Aging-Alzheimers Association workgroups on diagnostic guidelines for Alzheimers disease[J].Alzheimers Dement，2011，7（3）：263-269.DOI：10.1016/j.jalz.2011.03.005.

［7］Albert MS，DeKosky ST，Dickson D，et al.The diagnosis of mild cognitive impairment due to Alzheimers disease：recommendations from the National Institute on Aging-Alzheimers Association workgroups on diagnostic guidelines for Alzheimers disease[J].Alzheimers Dement，2011，7（3）：270-279.DOI：10.1016/j.jalz.2011.03.008.

［8］Ellis KA，Bush AI，Darby D，et al.The Australian Imaging，Biomarkers and Lifestyle（AIBL）study of aging：methodology and baseline characteristics of 1112 individuals recruited for a longitudinal study of Alzheimers disease[J].Int Psychogeriatr，2009，21（4）：672-687.DOI：10.1017/S1041610209009405.

［9］Holmes AJ，Hollinshead MO，OKeefe TM，et al.Brain Genomics Superstruct Project initial data release with structural，functional，and behavioral measures[J].Sci Data，2015，2：150031.DOI：10.1038/sdata.2015.31.

［10］Liu W，Wei D，Chen Q，et al.Longitudinal test-retest neuroimaging data from healthy young adults in southwest China[J].Sci Data，2017，4：170017.DOI：10.1038/sdata.2017.17.

［11］Wei R，Xu X，Duan Y，et al.Brain age gap in neuromyelitis optica spectrum disorders and multiple sclerosis[J].J Neurol Neurosurg Psychiatry，2023，94（1）：31-37.DOI：10.1136/jnnp-2022-329680.

［12］Spitz G，Hicks AJ，Roberts C，et al.Brain age in chronic traumatic brain injury[J].Neuroimage Clin，2022，35：103039.DOI：10.1016/j.nicl.2022.103039.

［13］de Bézenac CE，Adan G，Weber B，et al.Association of epilepsy surgery with changes in imaging-defined brain age[J].Neurology，2021，97（6）：e554-e563.DOI：10.1212/WNL.0000000000012289.

［14］Hajek T，Franke K，Kolenic M，et al.Brain age in early stages of bipolar disorders or schizophrenia[J].Schizophr Bull，2019，45（1）：190-198.DOI：10.1093/schbul/sbx172.

［15］Han LKM，Dinga R，Hahn T，et al.Brain aging in major depressive disorder：results from the ENIGMA major depressive disorder working group[J].Mol Psychiatry，2021，26（9）：5124-5139.DOI：10.1038/s41380-020-0754-0.

［16］Elliott ML，Belsky DW，Knodt AR，et al.Brain-age in midlife is associated with accelerated biological aging and cognitive decline in a longitudinal birth cohort[J].Mol Psychiatry，2021，26（8）：3829-3838.DOI：10.1038/s41380-019-0626-7.

［17］Smith SM，Elliott LT，Alfaro-Almagro F，et al.Brain aging comprises many modes of structural and functional change with distinct genetic and biophysical associations[J].Elife，2020，9：e52677.DOI：10.7554/eLife.52677.

［18］Peng H，Gong W，Beckmann CF，et al.Accurate brain age prediction with lightweight deep neural networks[J].Med Image Anal，2021，68：101871.DOI：10.1016/j.media.2020.101871.

［19］Beheshti I，Maikusa N，Matsuda H.The association between “Brain-Age Score”（BAS）and traditional neuropsychological screening tools in Alzheimers disease[J].Brain Behav，2018，（8）：e01020.DOI：10.1002/brb3.1020.

［20］Lwe LC，Gaser C，Franke K，et al.The effect of the APOE genotype on individual brainAGE in normal aging，mild cognitive impairment，and Alzheimers disease[J].PLoS One，2016，11（7）：e0157514.DOI：10.1371/journal.pone.0157514.

［21］Liu W，Dong Q，Sun S，et al.Risk prediction of Alzheimers disease conversion in mild cognitive impaired population based on brain age estimation[J].IEEE Trans Neural Syst Rehabil Eng，2023，31：2468-2476.DOI：10.1109/TNSRE.2023.3247590.

（收稿日期：2023-05-08）