本篇文献分享发表于Communications biology杂志。本公众号所发布内容旨在与大家分享学术新知，促进交流学习，版权归原作者或原出处所有，感谢各位学者的辛勤成果。

1. 引言

“脑龄”作为一种反映大脑生物学衰老进程的指标，近年来受到越来越多的关注。通常采用机器学习模型，根据MRI数据预测个体的“全局”脑龄，即为整个大脑赋予一个单一的估计年龄值。预测年龄与实际年龄之间的差值，即脑龄差距，被视为大脑生物学年龄的估计值，反映了遗传与生活方式等因素的影响。脑龄差距越大，表示脑老化速度越快，并已证实与死亡率、痴呆以及其他神经或精神疾病存在关联。然而，将脑老化过程概括为单一的全局数值，可能掩盖了大脑皮层固有的空间组织梯度。

近期研究进展使得区域特异性脑龄的估算成为可能，可直接从T1加权图像中获取，无需依赖预先定义的结构属性。卷积神经网络能够直接从三维图像中学习预测年龄的特征，为衰老研究提供了超越传统单一形态学指标（如灰质体积）的新视角。这些区域脑龄指标相比传统的全局脑龄估计，提供了一种更具空间精确性的方法，能够探究个体内部及个体之间区域特异性变异的模式及其成因（例如，源于皮层的固有属性，还是源于健康或生活方式的个体差异）。然而，这些区域估计值的神经生物学基础及其行为学意义仍未得到充分阐明，特别是在神经系统健康的个体中。目前尚不清楚区域脑老化模式是否具有行为学关联，或是否遵循神经发育、系统发生或分子层级结构。填补这些认知空白，有助于将脑老化指标与皮层组织及其相关行为的基本原理联系起来。

图1与脑龄及大脑梯度相关的文章发表情况。

区域脑老化也为检验关于皮层的理论假设提供了新视角。例如，“后成熟先老化”假说预测，由于独特的代谢、遗传或功能特性，发育较晚的额叶联合皮层应比感觉运动皮层老化更快或更早。此外，功能特化区域的加速老化应与特定领域的行为衰退相关。尽管这些假设已通过传统形态学测量得到支持，但无法用全局脑龄加以检验，且据作者所知，尚未使用基于深度学习的区域脑龄方法进行验证。随着脑龄在研究中日益普及，阐明其与已知神经生物学概念的关联至关重要。

此研究通过皮层组织的感觉运动-联合轴视角，对335名神经系统健康的成年人（20-86岁）的区域脑老化模式进行了研究。感觉运动-联合轴提供了一个定量框架，整合了十种经过充分验证的区域神经生物学指标，包括有氧糖酵解、脑血流量、皮层厚度、异速生长、解剖与进化层级、基因表达、锥体细胞大小比以及功能神经影像荟萃分析。这些皮层特性的异质性分布通过多种方法进行绘图，例如正电子发射断层扫描（用于有氧糖酵解）、动脉自旋标记（用于脑血流量）以及灵长类-人类比较神经影像（用于进化层级）。“原型感觉运动-联合轴”代表了这些特性的综合图谱，其中排名靠前的区域（联合区）发育较晚、系统发生较新，且在功能、结构和分子特征上与排名靠后、系统发生较老的感觉运动区截然不同。此研究的主要目标是确定区域脑老化模式是否与上述层级结构相符。

在此背景下，此研究发现，在老年人群中，额叶联合皮层相对于感觉运动区域表现出加速老化，这与“后成熟先老化”假说一致。对区域特异性脑龄差距进行的数据驱动分析，在两个独立队列中识别出六个可重复的空间模式。这些模式与特定的皮层层级结构对齐，包括原型感觉运动-联合梯度。个体水平上与这些脑龄模式的对应关系，即使在考虑了人口统计学因素后，仍能显著解释认知与感觉运动表现。重要的是，区域脑龄差距方法在解释行为变异方面优于全局脑龄差距。综上所述，这些发现表明脑老化的空间模式反映了皮层组织的基本原则，并可能提供一种比全局脑龄更具生物学和行为学意义的替代指标。

2. 方法

2.1参与者

年龄在20至80岁之间（平均48.8岁；女性125名；表1）的参与者作为南卡罗来纳大学老化脑队列（ABC）项目的一部分招募，并具有可用的神经影像和行为测量数据。ABC项目聚焦于社区居住的神经系统正常成年人。排除标准包括：中风史、神经退行性疾病诊断、任何会限制参与能力的严重急性或慢性疾病、当前患有任何严重疾病、精神疾病诊断，或体重指数 > 42 kg/m²。参与者均为以英语为母语者。所有研究程序均获得南卡罗来纳大学机构审查委员会批准。每位参与者均签署了书面知情同意书。遵循了所有关于人类研究参与者的伦理法规。

重复数据集（Grady）包括158名年龄20至86岁的参与者（平均49.46岁；女性99名）。参与者无重大精神或神经系统疾病，认知正常（简易精神状态检查量表 > 26），且英语流利。

表1ABC数据中的人口统计学、行为学及脑龄变量。

2.2任务、测量与程序

认知：参与者完成蒙特利尔认知评估。经过培训的研究助理在完成官方蒙特利尔认知评估培训和认证课程后施测该量表。尽管所有参与者均为独立生活的社区居住者，无认知障碍或神经系统疾病诊断，但参与者的得分范围较广（19至30分），其中22.7%的参与者得分处于轻度认知障碍风险范围内（≤25分；表1）。

感觉：由经过培训的研究助理施测两项感觉任务以评估听力和视力。

听力：纯音听阈测试在隔音室内使用Amplivox 170听力计和耳机进行。参与者在听到声音时作出反应，听力计记录可靠检测到声音的最低强度（阈值）（至少2/3次呈现时检测到）。测试覆盖双耳的以下频率：250 Hz、500 Hz、1000 Hz、2000 Hz、3000 Hz、4000 Hz、6000 Hz和8000 Hz。根据世界卫生组织制定的标准计算每位参与者的单一纯音听阈测试分数：对于每个频率，选取左右耳中较低（较好）的阈值，然后对所有频率取平均值。较高的纯音听阈测试分数表示听力较差。

视力：施测美国国立卫生研究院（NIH）视力测试。该测试通过让参与者坐在离11英寸iPad 3米远处，口头识别屏幕上出现的单个字母来评估矫正远视力。字母逐渐变小，得分越低表示视力越差。

运动。为测量步行能力和平衡能力，采用NIH 4米步行速度测试和NIH站立平衡测试。在4米步行测试中，参与者被要求在平坦地面上以正常速度（即日常行走速度）步行4米，同时进行计时。参与者先进行一次练习，随后进行两次正式测试，取两次测试速度的平均值作为最终分数。

在站立平衡测试中，参与者被要求在泡沫垫上完成一系列姿势。每位参与者需保持五种姿势各50秒。姿势顺序为：在固体表面睁眼、固体表面闭眼、泡沫表面睁眼、泡沫表面闭眼、固体表面双脚前后站立睁眼。使用佩戴于腰部的加速度计记录每种姿势的姿势摆动。

表2逐步线性回归结果。

2.3MRI采集

ABC数据集：使用西门子Prisma Fit 3T扫描仪和20通道头颈线圈采集每位参与者的T1加权图像，参数如下：3D MP-RAGE序列，体素大小= 1×1×1 mm；视野= 256×256×192 mm；准备重复时间= 2530 ms；反转时间= 925 ms；翻转角= 9°；回波时间= 4.11 ms；GRAPPA加速因子2（80条参考线）。

Grady数据集：使用西门子Trio 3T扫描仪采集每位参与者的T1加权图像，参数如下：3D MP-RAGE序列，体素大小= 1×1×1 mm；视野= 256 mm；采集矩阵= 192×256×160；重复时间= 2000 ms，回波时间= 2.63 ms。

2.4脑龄估计

全局和区域脑龄估计采用volBrain平台中的BrainStructureAges工具进行计算。该工具是一个自动化、公开可用的流程，以未经预处理的T1加权图像作为输入。

脑结构年龄通过多步深度学习过程估计脑龄。首先，使用AssemblyNet将脑结构分割为133个感兴趣区。AssemblyNet是一个经过验证的3D U-Net模型深度学习集成，旨在模拟放射科专家和神经解剖学家根据BrainCOLOR协议进行的高质量微解剖脑区手动分割。该模型整合多个重叠的子体积，通过利用不同U-Net模型的优势来提高分割准确性。

一个单独的U-Net模型集成被训练用于从原始T1加权图像信号中预测体素水平的实际年龄。这些模型采用卷积层和反卷积层，逐步学习MRI图像中最能预测实际年龄的空间模式和特征，而不依赖于预定义的形态学特征（如皮层厚度或体积）。这为每个个体产生一个基于全脑的单一“全局”估计脑龄，以及每个个体区域特异性年龄估计的异质性图像。该异质性图像允许对区域脑结构变异（源于个体水平的遗传或健康因素，或源于一般皮层特性）如何与行为或已建立的神经生物学梯度相关进行更具空间精确性的研究。

volBrain在数千张来自不同数据集的MRI图像上进行训练和测试，实际年龄范围为5至85岁。在训练体素级脑龄估计模型的过程中，每张预处理后的T1加权MRI首先重采样至原尺寸的一半，生成一个低分辨率的91×109×91体素图像。随后，从重采样图像中提取大小为32×48×32体素的重叠子体积，具体为沿三个空间维度均匀间隔提取125个子体积，确保完全覆盖。每个子体积用于训练一个独立的U-Net模型，以预测体素级的实际年龄。最终得到125个独立训练的U-Net模型，每个模型都对重建的91×109×91体素三维年龄图做出贡献。对于出现在多个重叠子体积中的体素，对各模型预测结果取平均值以减少变异性。该三维年龄图通过三线性插值上采样至原始MRI分辨率，并用于推导区域和全局脑龄估计。

在训练期间，颅内腔内的每个体素均被赋予该参与者的实际年龄作为其真实值（即模型训练时的目标值），而颅内腔外的体素设为0。使用随机梯度下降法和平均绝对误差作为损失函数优化模型。训练以小批量（8张图像）进行，若验证损失在20个训练周期（epoch）内未见改善，则提前停止训练。首个U-Net从头开始训练，其余模型则通过迁移学习从邻近U-Net进行初始化，以提高训练效率。训练数据分为80%训练集和20%验证集，每训练一个新U-Net时，重新划分训练/验证集，以最大化数据利用率。为减轻过拟合，应用了随机空间位移以及混合增强（将来自不同受试者的图像块进行组合）以提高模型泛化能力。

为在独立测试集中验证实际年龄预测效果，研究者计算了U-Net训练集中受试者的区域脑龄。随后利用这些数据训练一个基于支持向量回归（SVR）的模型，采用10折交叉验证，得到10个独立的SVR模型。每个测试样本均使用全部10个模型进行评估，并对其年龄估计值取平均，以确保模型泛化能力。随后使用两个域外数据集评估模型准确性。这些SVR模型用于生成全局（即“全脑”）脑龄估计。

2.5感觉运动-联合轴及其子成分的区域量化

为量化感觉运动-联合轴及其各梯度特征图，从而为volBrain分区中的每个区域提供一个反映其沿感觉运动-联合神经轴位置的得分，采用了提供的fsaverage5顶点水平指标，并按照以下步骤进行。首先，AssemblyNet用于分割MNI152 1 mm空间模板，具体方法是将此模板直接提交至volBrain流程。为实现皮层区域更均匀的覆盖以改善向表面空间的投射（例如脑沟周围区域），将分割中脑脊液感兴趣区内的每个体素根据欧几里得距离重新分类为最近皮层体素的标签。随后，对分割中的每个感兴趣区进行二值化，并使用高质量的非线性RT-ANTs变换独立投射至fsaverage表面。采用赢者通吃方法将位于区域边界上的顶点分配给相应的感兴趣区。

随后使用FreeSurfer将表面空间分割（即“图谱”）下采样至fsaverage5模板，以匹配提供的顶点水平指标模板。接着，使用自定义MATLAB脚本，计算了感觉运动-联合轴及其子成分在感兴趣区内的顶点水平平均值。需要注意的是，由于功能层级测量与基因表达、NeuroSynth PC1、脑血流量、有氧糖酵解和皮层厚度存在强相关性，表明其已被其他梯度充分捕捉，故未纳入功能层级测量。随后对平均值进行排序，使每个梯度的较低值代表感觉运动皮层，较高值代表联合皮层，与此前研究保持一致。由此，每个皮层volBrain感兴趣区（N = 104）均被赋予每个感觉运动-联合轴测量的单一排序值（图2）。

图2感官运动-关联轴与亚梯度。

2.6统计分析

2.6.1基于分区的置换旋转检验。

对所有比较两个空间图的皮层分析，采用置换旋转检验以校正空间自相关。该检验通过随机旋转皮层图的空间对应关系来构建空分布，同时保留其内在的空间自相关结构。每个半球的皮层表面数据使用FreeSurfer的标准左右半球球面表面映射至球面坐标系，该方法将皮层对齐到共同球面网格，同时保留测地距离。非皮层感兴趣区被排除。对于每个半球，将每个感兴趣区内所有顶点的平均球面坐标计算为感兴趣区质心。为确保旋转的几何有效性，通过对欧几里得坐标进行归一化，将质心投射至单位球面上。通过随机旋转球面坐标，并随后使用匈牙利算法将旋转后的坐标分配回原始感兴趣区，独立地在每个半球生成旋转后的空数据。进行5000次置换，将一个图的值在每个半球内进行旋转，然后连接形成完整的皮层空数据集，而另一个图的值保持不变。对每次置换重新计算图之间的斯皮尔曼相关系数，以构建空分布。通过比较空相关系数与观察到的相关系数绝对值的比例，计算双尾p值，并应用连续性校正以考虑有限次置换。

2.6.2老年人加速脑老化的空间模式与感觉运动-联合轴的对齐分析

首先，对于104个皮层区域，使用非参数斯皮尔曼相关提取实际年龄与区域脑龄差距之间关系的强度和方向。此第一级分析产生整个皮层相关系数的异质性分布，代表每个区域的区域脑龄差距与实际年龄的关系。较高的值（图3B中显示为更亮的黄色）表示老年参与者中区域脑龄估计相对较高的区域。随后，将所得图谱与10个神经生物学梯度的图谱进行比较，采用置换旋转检验并进行FDR校正。

图3老年人加速性区域性脑衰老与皮质梯度分布一致。

2.6.3区域脑老化的空间模式反映神经生物学层级结构。

在SPSS软件中，使用区域脑龄差距相关矩阵进行主轴因子分解探索性因子分析。选择具有最大方差旋转的探索性因子分析来识别皮层脑龄梯度，因为该方法能够明确地对潜在结构（在本研究中假设为神经生物学梯度）进行建模，通过确保区域加载到不同的因子上来增强可解释性，并且与捕捉脑龄变异中独特且具有理论意义的维度的目标相一致。基于特征值大于1保留因子，最大收敛迭代次数为25。对提取的因子应用具有Kaiser归一化的最大方差旋转以增强可解释性。选择这种旋转方法是为了最小化在每个因子上具有高载荷的脑区数量，从而在后续分析中使用区域和个体水平的因子得分进行线性回归时消除多重共线性。提取每个区域在每个因子上的区域脑龄差距旋转因子载荷得分。随后，对每个因子与所有10个神经生物学梯度进行双尾置换旋转检验，并对每个因子进行FDR校正。

2.6.4大脑衰老的空间模式与认知、感觉及运动功能表现相关

基于上述识别的六个因素，此研究采用 SPSS 软件中的回归分析方法计算了参与者层面的因子得分。随后将这些因子得分纳入五个逐步线性回归模型，以探究大脑衰老模式与认知任务（MoCA量表）、感觉任务（视觉敏锐度和视物速度）及运动任务（站立平衡能力和4米步速测试）表现之间的关联性。每个模型包含九个自变量：六个因子得分、年龄、性别和教育程度，变量进入模型的显著性阈值设定为0.05，剔除阈值为0.10。完整模型结果详见表2。此研究将这些模型与采用gloBAG替代因子得分的相同模型进行了对比分析。

2.6.5统计学分析与可重复性

所有统计分析均按照统计分析部分所述方法进行。基于纳入的全部合格受试者确定样本量，以确保统计学效力（N = 335）。各分析中均报告最终样本量。除非另有说明，所有数据均未被排除。统计检验的选择基于数据类型及分布假设；除非另有说明，所有检验均为双侧检验。采用错误发现率（FDR）校正。所有影像学与行为学分析均采用预先设定的标准化流程对受试者统一实施。研究结果在两个独立队列中通过匹配预处理与分析流程得到重复验证。

在脑海科技云平台中，内置了功能连接梯度模块，支持用户批量处理多模态数据，并确保每一步参数设置都有据可查。此外，平台的项目管理模块可清晰记录数据筛选标准、排除被试原因、分析版本、质量控制等信息，极大提升了多模态整合研究的透明度和可复现性。感兴趣可联系预约产品演示。

3. 结果

此研究使用volBrain的“脑结构年龄”和自动化CNN流程，在335名神经系统正常成年人（20-86岁）中估算了区域和全局（即全脑）脑龄。该流程使用直接从T1加权图像中学习的、可预测实际年龄的特征，而不依赖于预定义的形态学或体积属性。这允许进行空间局部的年龄估计（区域脑龄），然后将其用作支持向量回归框架中的特征，由volBrain实施以生成估计的“全局”脑龄（见方法）。此研究计算了每个参与者的区域特异性（104个区域）和全局脑龄差距，方法是从实际年龄中减去脑龄估计值。为了量化神经生物学层级结构，此研究使用了感觉运动-联合轴框架。利用现有的顶点级数据，此研究在volBrain的分区中制作了10个皮层图谱（图2）。这些图谱由不同神经轴的区域排名组成，其中较高的数值排名通常表示典型的联合皮层。对于下面描述的所有皮层分析，此研究使用基于分区的置换旋转检验来确定相关显著性，该方法考虑了两种皮层图谱之间的空间自相关。

3.1老年人加速脑老化的空间模式遵循感觉运动-联合轴

在335名参与者中，此研究使用两级分析来检验“后成熟先老化”假说。在第一级，此研究使用斯皮尔曼相关评估了104个皮层区域的实际年龄与区域脑龄差距之间的关系。这提供了一个区域脑龄差距×实际年龄关系的异质性分布空间图，识别出老年人表现出相对加速或减速脑老化的区域（图3B，皮层表面）。在第二级分析中，此研究将此空间图与10个神经生物学梯度的图谱进行比较，使用基于分区的置换旋转检验并进行FDR校正（图3B，散点图）。

区域脑龄差距×实际年龄图谱与四个梯度显著相关：基因表达（rs = 0.67，pFDR = 0.002）、原型感觉运动-联合轴（rs = 0.65，pFDR = 0.002）、锥体细胞大小比（rs = 0.58，pFDR = 0.004）和解剖层级（rs = 0.62，pFDR = 0.003）。晚发育的额叶皮层在老年人中表现出相对于感觉运动皮层的加速老化，这与“后成熟先老化”假说一致。此外，这些结果表明三种特定的皮层特性可能构成区域特异性老化脆弱性的基础：（1）高转录变异性（基因表达），（2）较低神经元密度和较大的下层锥体细胞胞体大小（锥体细胞大小比），以及（3）较少髓鞘化（解剖层级）。

3.2区域脑老化的空间模式稳健且反映神经生物学层级结构

脑结构在个体内部和个体之间都有所不同，但深度学习衍生的区域脑龄差距是否捕捉到可解释的空间模式仍不明确。为解决这一问题，此研究使用探索性因子分析在两个独立队列中识别区域脑老化的模式：此研究的老化脑队列和来自OpenNeuro的复现组数据。此研究选择Grady数据是因为其参与者与ABC数据具有相似的年龄范围，神经功能完好，并且因为许多其他公开可用的数据集已被用于训练volBrain的CNN模型。

ABC：探索性因子分析揭示了六个脑老化因子（KMO = 0.96；Bartlett's χ² = 67,143.84，p < 0.001），解释了95%的总方差：因子1 - 额叶，31.03%；因子2 - 背侧，29.05%；因子3 - 腹侧，20.81%；因子4 - 左额颞叶，9.59%；因子5 -右颞顶叶，2.93%；因子6 - 背侧额叶，1.70%。

Grady：探索性因子分析产生了六个相似的梯度（KMO = 0.96；Bartlett's χ² = 63,831.37，p < 0.001），解释了95%的方差，空间分布相似：因子1 - 额叶，27.31%；因子2 - 背侧，24.59%；因子3 - 腹侧，23.26%；因子4 - 左额颞叶，17.52%；因子5 - 右颞顶叶，2.39%；因子6 - 内侧，1.37%。

对六个已识别的ABC和Grady因子之间的配对置换旋转检验（例如，因子1与因子1，因子2与因子2等）显示它们显著相关（rs范围：0.74-0.95；所有双尾pSFDR：< 0.008）。这表明已识别的脑龄模式在独立数据集中是可重复的，并且不太可能是研究特异性噪声或空间自相关的伪影。

考虑到这些发现的一致性，此研究将两个数据集合并（N = 335）并重复探索性因子分析，再次识别出六个因子（图4A）。每个模式中因子载荷较高的区域是加速脑老化对方差解释贡献最大的区域。重要的是，六个因子彼此之间均无显著相关（配对置换旋转检验 rs范围：-0.66至0.27；pSFDR > 0.42），表明每个因子捕捉了一个部分独特的脑老化模式。

然后此研究测试了这六个脑老化模式是否与10个感觉运动-联合神经轴对齐。对每个因子与所有10个神经生物学梯度进行双尾置换旋转检验，并对每个因子进行FDR校正。六个因子中有四个的区域载荷得分与神经生物学层级结构显著相关（图4B）。因子1（额叶）与基因表达（rs = 0.75，pFDR < 0.001）、原型感觉运动-联合轴（rs = 0.48，pFDR = 0.05）、锥体细胞大小比（rs = 0.69，pFDR < 0.001）和解剖层级（rs = 0.70，pFDR < 0.001）相关。因子2（背侧）与锥体细胞大小比（rs = -0.60，pFDR = 0.03）和NeuroSynthPC1（rs = -0.61，pFDR = 0.03）呈负相关。因子3（腹侧）与原型感觉运动-联合轴（rs = -0.58，pFDR = 0.02）和有氧糖酵解（rs = -0.71，pFDR = 0.002）呈负相关。因子4（左额颞叶）与原型感觉运动-联合轴（rs = 0.24，pFDR = 0.02）和进化层级（rs = 0.26，pFDR = 0.02）相关。因子5和6与任何感觉运动-联合神经轴均无显著相关。综上所述，这些发现表明已建立的神经轴是区域脑老化新兴梯度背后的潜在结构。

图4区域性脑衰老梯度。

3.3区域脑老化的空间模式稳健且反映神经生物学层级结构

在此，此研究检验了已识别的脑老化梯度是否具有神经解剖学上合理的行为关系，并将其解释力与使用全局脑龄差距的替代方法进行比较。利用来自合并ABC和Grady探索性因子分析的六个因子（N = 335），此研究提取了个体水平的因子得分，反映每个个体的脑老化模式与每个因子的匹配程度（图5）。

然后，此研究将这些因子得分作为逐步线性回归模型中的预测变量，连同年龄、性别和教育程度，以解释行为方差。重要的是，个体水平的因子得分是正交的（rs范围：-0.05至0.06，pSFDR校正 > 0.32）。由于Grady队列没有行为数据，回归分析仅限于ABC组（N = 167）。对于全局脑龄，使用单独的逐步线性回归模型，以全局脑龄差距、年龄、性别和教育程度作为自变量。认知状态使用蒙特利尔认知评估进行评估。多模态感觉能力使用美国国立卫生研究院视力测试和纯音听阈测试进行评估。粗大运动技能使用NIH站立平衡测试和4米步行速度进行评估。

蒙特利尔认知评估得分方差由包含年龄、教育程度以及因子5和6得分的模型显著解释（F(4,162) = 19.0，p < 0.001，调整后R² = 0.3）。因子5和6（右颞顶叶和内侧）显著改善了模型拟合（因子5 ΔR² = 0.04，p = 0.005；因子6 ΔR² = 0.02，p = 0.04）。视力方差由年龄、教育程度和因子3（F(3,163) = 26.2，p < 0.001，调整后R² = 0.31）显著解释。因子3（腹侧视觉通路）的得分显著改善了模型拟合（ΔR² = 0.02，p = 0.02）。听力方差由年龄、教育程度和因子5（F(3,163) = 78.7，p < 0.001，调整后R² = 0.58）显著解释，因子5（右颞顶叶）显著改善了模型拟合（ΔR² = 0.01，p = 0.04）。采用合并ABC/Grady探索性因子分析方法时，脑龄模式对平衡或步行的模型拟合无显著贡献。然而，使用仅ABC探索性因子分析的因子得分时，平衡方差由年龄和因子2得分显著解释（F(2,155) = 10.15，p < 0.001，调整后R² = 0.1），步行速度方差由年龄、性别和因子6得分显著解释（F(3,163) = 5.35，p = 0.002，调整后R² = 0.07）。在使用全局脑龄差距而非因子得分的替代模型中，全局脑龄差距在年龄、性别和教育程度之外未能改善任何行为指标的模型拟合。

图5 因子评分揭示的个体化脑衰老模式。

4.讨论

神经生物学梯度支配着皮层的空间组织。此研究评估了这些梯度如何在深度学习衍生的区域脑龄模式中得到反映。此研究提供了五项发现：（1）额叶联合皮层在老年人中表现出相对于感觉运动皮层的加速脑老化；（2）六个脑老化梯度在独立数据集中可重复；（3）其中四个梯度与已建立的神经轴对应；（4）个体水平上与特定脑老化模式的对齐与认知和感觉运动表现的个体差异相关；（5）区域脑龄方法比全局脑龄差距更好地解释了行为方差。这些发现强调了区域脑龄作为连接既定皮层原则和行为的生物标志物的前景。