潜在认知疾病的一个指标。
研究人员检查了来自老年大脑捐赠者的近700张人类海马切片切片的数字化图像，以开发组织学脑年龄估计算法。
然后，该团队训练了一个机器学习模型，仅根据数字化部分来估计一个人的死亡年龄，这是人类观察者不可能以任何程度的准确性完成的任务。
他们利用模型预测的年龄和实际年龄之间的差异来得出大脑中年龄加速的数量。
当与当前的年龄加速测量(例如DNA甲基化)进行比较时，他们发现基于histoage的年龄加速与认知障碍、脑血管疾病和阿尔茨海默氏型异常退行性蛋白聚集水平有更强的关联。
研究发现，HistoAge模型是一个可靠的、独立的指标，可以确定大脑年龄，并了解随着时间的推移驱动神经变性的因素。
研究人员表示，HistoAge模型和其他随后的类似算法代表了一种全新的范式，用于评估人类样本的衰老和神经变性，可以很容易地在临床和转化研究实验室中大规模应用。
此外，这种方法为退行性疾病的细胞变化提供了更严格、公正和可靠的指标。
该团队接下来将建立一个多中心合作，开发一个大型人工智能就绪数据集，该数据集将用于开发更强大的人工智能模型，这些模型有可能改变和增强我们对脑部疾病的理解。
“人工智能对大脑研究的破坏性影响是一种范式转变，推动我们走向下一代治疗方法。HistoAge模型将使我们能够发现诸如阿尔茨海默病等使人衰弱的脑部疾病的关键因果方面，”西奈山的研究员Crary博士说。
“使用最新的计算方法，如人工智能，对西奈山大量多样的人体组织样本进行处理，是我们评估人类疾病方式的转变。我们的新HistoAge模型只是人工智能为进一步发现衰老和神经变性机制铺平道路的一个例子。临床科学家越来越多地在研究和诊断环境中使用人工智能。这是一个彻底改变医学的工具，我们很高兴成为这个领域的领导者，优化机器学习——不是为了取代我们的卫生系统对富有同情心的护理的承诺，而是为了改善所有患者的诊断和治疗，”西奈山的研究员法雷尔博士说。
“这个模型为一系列迷人而重要的分析打开了闸门，使我们更接近于最终理解衰老的大脑和与年龄相关的大脑疾病，如阿尔茨海默氏症。”这是我们第一次能够在病理学上给出大脑衰老程度的数字。通过这种方法，我们可以发现防止大脑衰老的基因或使大脑衰老恶化的基因，以及发现使个人大脑衰老更快的环境风险因素，”西奈山的研究员马克思博士说。
参考:
基于多实例学习的组织病理学脑年龄估计
——(https://link.springer.com/article/10.1007/s00401 - 023 - 02636 - 3)
(来源:每日
