Siamese MRI 框架能建模纵向脑龄加速吗？

节奏不等于脑龄差

常规脑龄模型根据单次扫描预测大脑看起来有多老。预测年龄与实际年龄之差称为脑预测年龄差（brain-PAD），它描述个体在某一时点相对于参考人群的位置。论文认为，这个位置不一定能衡量大脑当前变化有多快：一个人可能在多次扫描中都保持正的 brain-PAD，却没有持续的结构改变。

Brain-PACE 估计的是另一个量。它把基线和随访的 T1 加权扫描作为一对输入，预测两次扫描之间的间隔，再把结果表示为节奏比 P，即预测间隔除以实际观察间隔。P 等于 1 表示模型预测的结构变化与时间老化一致；大于 1 表示预测变化更快。这是预测时间与实际时间的比值，不是以年计的差值，因此不能当作脑龄差来读。

论文还构建了间接对照：使用相同骨干结构、空间注意力池化、软分类和 Cramér 距离损失的横断面脑龄模型，用随访与基线的预测值相减得到节奏。这样两种方法架构相近，比较才能聚焦于直接估计变化与间接估计变化的差别。

配对扫描输出概率分布而非单值

该框架是 Siamese 结构：两次扫描分别通过共享的网络分支，模型比较两者的嵌入表示，而不是独立处理每张扫描。空间注意力为嵌入中与间隔预测相关的部分分配权重。输出是覆盖 80 个可能间隔区间的概率分布，而不是一个数值，因此模型能在给出估计的同时报告预测不确定性。

Brain-PACE 在它所扩展的 LILAC 框架上增加了两项设计。软标签分布学习让模型从相邻区间学习，而不是把真实间隔当作单一硬目标；Cramér 距离目标则用整个预测分布与观察间隔比较来评分。作者报告，与 KL 注意力变体相比，这一组合改善了概率表现并减少了预测偏差；Cramér 注意力总体上改善了熵和实际覆盖率。

性能用连续排序概率评分（CRPS）衡量，它把完整的预测累积分布与观察间隔比较，数值越低表示预测既准确又集中。论文还报告平均绝对误差、均方误差、带符号误差和节奏比，并用预测分布的归一化 Shannon 熵衡量不确定性：0% 表示完全确定，100% 表示在全部 80 个区间上最大分散。

间隔预测精度与间接方法相近

与 LILAC+ 基线相比，Brain-PACE 把配对层面的平均绝对误差从 0.779 年降到 0.663 年，均方误差从 1.059 年平方降到 0.756 年平方。这些是以年计的间隔预测误差，不是脑龄误差。

与间接推导节奏的正面对比则更复杂。在内部组中，Brain-PACE 的平均绝对误差数值更低（0.663 对 0.806 年），带符号误差也更低（0.017 对 0.307 年），但两项差异都未通过错误发现率校正。在 MCSA 健康队列中两种方法表现相近；在 WRAP 中，Brain-PACE 出现显著更强的低估（带符号误差 −0.402 对 −0.029 年）。在 ADNI 轻度认知障碍组中，间接方法的平均绝对误差数值更低（0.766 对 0.809 年），而 Brain-PACE 的节奏比显著更高（1.434 对 1.220）。

作者把损害组中更大的偏差解释为可能对疾病相关加速老化敏感，而不只是精度更差。这一解释要通过检验节奏指标是否跟随临床和生物标志物来判断，而这是与间隔误差不同的问题。

加速阈值区分 MCI 与健康队列

加速状态按参与者相对于内部健康参考队列定义，并先校正时间间隔与带符号预测误差之间的关系。参与者是否被判为加速或减速，取决于该健康校正节奏分布的第 95 和第 5 百分位，因此这些标签是相对于该参考组的，而不是绝对临床切点。

使用直接 Brain-PACE 时，内部健康组平均校正节奏为 0.98，4.9% 判为加速、4.9% 判为减速。MCSA 相近，为 1.00，9.6% 加速、5.8% 减速；WRAP 均值较低，为 0.90，4.8% 加速、19.0% 减速。ADNI 轻度认知障碍组明显不同：平均校正节奏 1.33，42.6% 判为加速、7.4% 判为减速。

间接方法在同一组中也向上偏移，平均校正节奏为 1.17，但只把 20.6% 判为加速、8.8% 判为减速。两种方法方向一致，而直接模型把这 68 名参与者中约两倍的人置于加速阈值之上。论文把这种分类比例差异视为直接建模捕捉到间接方法未恢复的信息的证据。

更快的节奏对应 tau 负担与临床严重度

在 68 名 ADNI 轻度认知障碍参与者中，控制基线年龄和间隔中位数后，更快的 Brain-PACE 与更高的 tau 负担相关，以 SUVR 衡量：后扣带 r = 0.59、楔前叶 r = 0.47、内嗅皮层 r = 0.37。它也与更严重的功能损害（FAQ，r = 0.35）、更差的 ADAS13 表现（r = 0.30）和更高的 CDR 总分（r = 0.32）相关。MMSE 关联为负（r = −0.26），但未通过校正。

对照指标的表现不同。横断面 brain-PAD 主要与结构特征相关：海马体积更低（r = −0.43）、CDR 评分更高（r = 0.35）、楔前叶和后扣带体积更低，而它与 tau 的关联未通过校正。由重复横断面估计间接推导的节奏关联更弱，没有任何特征相关性通过校正；最强趋势是内嗅 tau、后扣带 tau 和 FAQ 评分，分别为 r = 0.27 或 0.25，q = 0.201。

这些是一个损害队列中的偏相关，描述的是共同变化，而不是因果链。作者提出，加速的 Brain-PACE 可能反映与活跃的 tau 相关神经退行性变同时发生的结构改变，而不是孤立的体积损失；他们同时指出，需要纵向 tau PET 才能检验两者是否同步变化。

预测依赖分布式变化，校准仍有局限

积分梯度分析固定基线扫描，并向随访扫描插值，因此每个体素的归因值等于该位置实际强度变化乘以模型沿该路径的平均敏感度。没有形态变化的位置因此得到零归因。

得到的组水平归因图呈分布式而非局灶性：最强贡献位于额极和颞极、外侧枕叶皮层、中央前回和中央后回以及脑干，还涉及楔前叶、前扣带、双侧丘脑、右侧尾状核和后扣带皮层。作者据此认为，预测间隔由许多皮层、皮层下和脑干结构的改变共同提供信息，而不是单一解剖区域。

不确定性校准并非在所有队列中都同样好。与 KL 注意力相比，Cramér 注意力总体上改善了熵和实际覆盖率，但论文报告在轻度认知障碍和 WRAP 队列中覆盖率下降，说明校准仍对队列和病理差异敏感。因此，该模型的预测不确定性应视为依赖队列，而不是普遍可靠。

直接节奏是补充性而非替代性表型

论文的核心主张是比较性的：建模两个时间点之间的差异，能捕捉重复横断面脑龄估计未恢复的信息。支持这一点的证据是，直接 Brain-PACE 把更多损害参与者判为加速，并显示出与区域 tau 和临床严重度的关联，而间接节奏和横断面 brain-PAD 没有这些关联；同时，各方法的间隔精度大体相近，有时还偏向间接方法。

这一模式影响该指标的使用方式。Brain-PACE 被呈现为一种补充性的纵向影像表型，对早期神经退行性变中的临床和生物变化敏感，而不是更准确的时钟。它的加速标签依赖内部健康参考队列的百分位；最强的生物标志物证据来自一个队列中的 68 名轻度认知障碍参与者；其不确定性估计在同一损害组中校准较差。

因此，证据支持的实用优先级是按问题分流。当问题是一个时点的大脑看起来有多老时，横断面 brain-PAD 仍是相关指标，并与结构体积相关。当问题是早期神经退行性变中结构变化有多快时，直接配对扫描节奏是本次携带 tau 和临床关联的指标；但要注意，它的阈值是相对于参考组的，其在病理组中的校准仍需改进。

本文引用的文献