Bedömning av nyfödda hjärnans ålder från T2-viktade magnetkamerabilder med hjälp av grundläggande regressionsanalys

Varför tidpunkten är viktig för små hjärnor

Under de första veckorna i livet växer en babys hjärna i en häpnadsväckande takt och omformar sig dag för dag. Läkare som vårdar för tidigt födda och fullgångna spädbarn skulle vilja ha ett exakt sätt att veta om denna tillväxt följer rätt spår, långt innan fördröjningar syns i beteende. Denna studie visar hur detaljerade MR-bilder av nyfödda hjärnor kan omvandlas till en noggrann "hjärnålder", vilket ger kliniker ett känsligt tidigt fönster in i hjärnhälsan.

Mäta ålder bortom kalendern

Nyfödda beskrives vanligtvis efter hur många veckor som förflutit sedan befruktningen, känd som postmenstruell ålder. Ändå kan två spädbarn med samma kalenderålder ha ganska olika hjärnmognad, särskilt om det ena föddes tidigt. Magnetresonanstomografi (MRI) kan fånga hjärnans struktur utan strålning och avslöjar hur veck fördjupas och vävnader förändras i takt med barnets tillväxt. Forskarna strävade efter att omvandla dessa rika bilder till ett enda tal: hur gammal hjärnan ser ut i veckor jämfört med typisk utveckling. Skillnader mellan denna hjärnålder och barnets faktiska ålder kunde då signalera ovanligt långsam eller snabb mognad.

Skanning av hundratals nyfödda

Teamet använde MRI-data från 885 nyfödda i Developing Human Connectome Project, inklusive både för tidigt födda och fullgångna spädbarn mellan 26 och 46 veckors postmenstruell ålder vid skanningstillfället. Alla barn skannades under naturlig sömn i ett specialiserat neonatalt MR-system, vilket gav högkvalitativa T2-viktade bilder som framhäver skillnader mellan hjärnvävnader. Innan någon analys gjordes togs icke-hjärnvävnader såsom skallen bort, bildens ljusstyrka korrigerades och varje hjärna omprovades till en standardstorlek och upplösning så att hjärnor från olika spädbarn kunde jämföras på ett meningsfullt sätt.

Justera hjärnor och välja rätt referens

Ett centralt steg i arbetet var att bestämma hur varje babys hjärna skulle anpassas till en referenshjärna, kallad en mall. Författarna jämförde tre val: en mall nära anpassad efter varje babys ålder, en enda mall uppbyggd av fullgångna 40-veckors hjärnor och en slumpmässigt utvald neonatal mall. De testade också två sätt att passa varje hjärna till dessa mallar: en enklare linjär justering som skalar och roterar hjärnan, och en mer flexibel kombination av linjär och icke-linjär vridning som kan finjustera lokala former. Dessa val är viktiga eftersom bättre anpassning låter datorn fokusera på verkliga utvecklingsskillnader snarare än på irrelevanta förskjutningar och deformationer.

Göra bilder till siffror som datorn kan lära sig av

Varje justerad hjärnskanning innehåller miljontals små volymelement, eller voxlar, alldeles för många för att mata direkt in i en prediktionsmodell. För att hantera detta använde teamet en matematisk teknik som komprimerar data till en mindre uppsättning komponenter som fångar huvudmönstren av variation mellan barnen. De rangordnade sedan dessa komponenter efter hur starkt de korrelerade med ålder och behöll bara de mest informativa. Med dessa funktioner i handen tränade de tre väletablerade regressionsmetoder—Gaussian process regression, support vector regression och relevance vector regression—för att förutsäga hjärnålder, och kontrollerade prestanda med upprepad korsvalidering så att varje barn tjänade som ett osett test vid något tillfälle.

Hur nära kan hjärnålder komma sanningen?

När bilderna justerades med både linjär och icke-linjär vridning till en åldersspecifik mall var uppskattningarna av hjärnålder anmärkningsvärt precisa. De bästa modellerna missade den verkliga åldern med ungefär 0,44 veckor i genomsnitt—mindre än en halv vecka—med omkring 95 % av åldersvariationen förklarad av bilddatan. Att använda en fullgången mall gav något större fel, och att använda en slumpmässig mall presterade sämst, särskilt för för tidigt födda barn. Den mer flexibla registreringen överträffade konsekvent den enklare linjära metoden, även om vinsterna var måttliga nog för att den enklare metoden fortfarande kan vara attraktiv när beräkningsresurser är begränsade. Bland de tre prediktionsmetoderna erbjöd Gaussian process regression den bästa balansen mellan noggrannhet och stabilitet.

Vad detta betyder för sköra början

Genom att noggrant välja hur nyfödda hjärnskanningar anpassas och sammanfattas visar detta arbete att ett enda MRI kan ge en mycket noggrann uppskattning av hur mogen en babys hjärna är, ned till ett spann på några dagar. En sådan "hjärnålder"-mätning skulle kunna hjälpa kliniker att upptäcka subtila fördröjningar i utvecklingen hos för tidigt födda eller hög-risk spädbarn långt innan problem syns i beteende eller rörelse. Även om studien bygger på en typ av MRI och data från ett specifikt forskningsprojekt, banar den väg för praktiska verktyg som kan spåra tidig hjärntillväxt mer objektivt och stödja tidigare insatser under en period då hjärnan är särskilt mottaglig för hjälp.

Citering: Taji, S.M., Kazemi, K., Qodrati, Z. et al. Neonatal brain age estimation from T2-weighted magnetic resonance images using shallow regression analysis. Sci Rep 16, 9980 (2026). https://doi.org/10.1038/s41598-026-40336-6

Nyckelord: nyfödd hjärnutveckling, bedömning av hjärnans ålder, nyfödd MRI, för tidigt födda spädbarn, maskininlärning