脑龄作为认知衰退前期的精准生物标志物：一项12年纵向研究的证据

　　本研究针对阿尔茨海默病(AD) preclinical阶段早期检测难题，通过分析224名认知正常老年人的12年纵向T1加权MRI数据，发现基于机器学习的脑预测年龄差(brain-PAD)指标具有最高预测效能(AUC=0.66)，能敏感捕捉转化者与稳定对照组在脑老化轨迹上的早期分化，为AD早期风险分层提供了不依赖认知表现的新型影像学生物标志物。

　　

老年人群的认知衰退，尤其在阿尔茨海默病(AD)临床前阶段，为早期检测与干预提供了关键窗口。尽管T1加权MRI(T1-weighted MRI)广泛应用于AD研究，其在识别早期易感性和监测纵向进展方面的能力尚未完全明确。

研究团队分析了224名认知未受损老年人长达12年的纵向T1加权MRI数据。参与者按临床结局分为转化为轻度认知障碍组(HC-converters, n=112)和稳定对照组(HC-stable, n=112)。两组在基线时的年龄(平均74-75岁)、教育年限(约16.4年)和认知评分(MMSE≈29; CDR-SB≈0.04)均匹配。

研究评估了四种MRI衍生生物标志物：脑预测年龄差(brain-PAD)、平均皮质厚度、AD皮质特征(AD-cortical signature)和海马体积(hippocampal volume)。Brain-PAD显示出与未来转化最强的基线关联(β=1.25, t=3.52, p=0.0009)和最高分类准确度(AUC=0.66；敏感性62%，特异性67%)。

纵向混合效应模型重点关注组别×时间交互作用，结果显示转化者的brain-PAD呈现显著正斜率(β=0.0079, p=0.003)，而稳定对照组呈非显著趋势(β=0.0047, p=0.075)，表明在临床前窗口期大脑老化轨迹开始出现分化。海马体积和AD皮质特征在两组中均呈现相似下降，平均皮质厚度则显示出有限的判别或动态效用。

这些发现证实了基于机器学习从常规T1加权MRI中衍生的brain-PAD，可作为敏感且不依赖认知表现的新型生物标志物，用于早期风险分层和认知老化轨迹的监测。