近(15)日，美國賓州大學(University of Pennsylvania)的團隊，運用深度學習(deep learning)的AI方法，針對近5萬份腦部核磁共振(MRI)掃描影像，分析出共五項與老化和神經退化性疾病相關的腦部萎縮模式，這些模式與吸煙、飲酒等生活因素，以及健康狀況和疾病風險皆有相關。該研究發表於期刊《Nature Medicine》。

隨著腦部的老化，腦內某些區域會出現萎縮或結構上的微小變化，對於這些人眼難以查明的醫學影像變化，目前已有科學家研究以機器學習方法，判讀影像上微弱的異常，例如在台灣，目前如陽明交大教授楊智傑的團隊，也有投入相關開發。

賓州大學放射學教授Christos Davatzikos，本次帶領團隊進行號稱規模和數據量都更大的研究，歷經八年的時間，他們開發了一項深度學習方法「Surreal-GAN」，該演算法運用共1,150名年齡在介於20~49歲間的健康人，以及8,992名老年人(包含許多已發生認知下降情形者)的腦部MRI數據訓練而成。

團隊接著對參與多項老化與神經健康研究的近5萬人MRI數據進行掃描，最終分析出五種不同的腦部萎縮模式，該五種模式包括：皮質下(subcortical)萎縮、內側顳葉(MTL)萎縮、頂葉-顳葉(parieto-temporal)萎縮、瀰漫性皮質(diffuse cortical)萎縮、臨側裂(perisylvian)萎縮。

研究人員也將各類型年齡相關的腦部退化現象，進一步與五種模式連結起來，例如：失智症及被視為失智前的輕度認知障礙，與其中三種模式有關；帕金森氏症和阿茲海默症等疾病，也可尋找到對應的模式；其中三種模式的組合，還可用來預測死亡率。

此外，研究團隊還發現某些腦部萎縮的模式，與各項生理與環境因素明顯相關，如有飲酒和吸煙習慣，或共同具有某些健康相關遺傳和生化特徵的人，都會出現某些特定的萎縮模式。

Davatzikos表示，這些結果可能反映了身體對於神經健康的影響，其他器官、系統的損傷，也可能對大腦產生影響。

Davatzikos指出，這項機器學習方法，也可用於預測認知能力的退化過程，且在初期退化階段，運用其中一種模式進行預測就有一定的準確度，而在退化已進入晚期時，再加入第二種模式，還能再提升準確度。

研究團隊表示，他們目前也正在探究更多神經系統疾病的影像學資訊，以及搜集更多人種的數據中，期望進一步擴大此研究應用。

參考資料：

1.論文原文：https://www.nature.com/articles/s41591-024-03144-x

2.https://www.nature.com/articles/d41586-024-02692-z

(編譯/巫芝岳)