使用浅层回归分析从T2加权磁共振图像估计新生儿脑龄

为何时机对小脑至关重要

在生命的最初几周，婴儿的大脑以惊人的速度成长，日复一日地重塑自身。照护早产和足月婴儿的医生希望有一种精确的方法来判断这种生长是否按预期进行，远在行为出现迟缓之前。该研究展示了如何将新生儿大脑的高分辨率MRI影像转化为准确的“脑龄”估计，为临床提供一个对大脑健康敏感的早期窗口。

超越日历的年龄测量

新生儿通常按自受孕以来经过的周数来描述这段时间，即围产期年龄。然而两个日历年龄相同的婴儿在大脑成熟度上可能差别很大，尤其是当其中一位早产时。磁共振成像（MRI）可以在不使用辐射的情况下捕捉大脑结构，揭示随着婴儿成长脑回如何加深、组织如何变化。研究者旨在将这些丰富的影像信息凝练成一个数字：大脑看起来相当于多少周的年龄，与典型发育相比如何。大脑年龄与婴儿实际年龄之间的差异即可用来标示异常缓慢或过快的成熟情况。

为数百名新生儿扫描

研究团队使用了来自发展中人类连接组计划（Developing Human Connectome Project）中885名新生儿的MRI数据，涵盖在扫描时围产期年龄为26至46周的早产和足月婴儿。所有婴儿均在自然睡眠状态下于专用的新生儿MRI系统中接受扫描，得到强调脑组织差异的高质量T2加权图像。任何分析之前，都会去除颅骨等非脑组织，校正图像亮度，并将每个大脑重采样为标准大小和分辨率，以便不同婴儿的大脑可以进行有意义的比较。

对齐大脑并选择合适的参考

工作中的一个关键步骤是决定如何将每个婴儿的大脑与参考大脑（称为模板）对齐。作者比较了三种选择：与每位婴儿年龄紧密匹配的模板、由足月40周大脑构建的单一模板，以及随机选择的一个新生儿模板。他们还测试了两种将大脑配准到这些模板的方法：一种更简单的线性调整，进行缩放和平移/旋转，另一种则是将线性与非线性变形结合的更灵活方法，可以微调局部形状。这些决策很重要，因为更好的配准能让计算机关注真实的发育差异，而非无关的位移和畸变。

将影像转为计算可学习的数字

每幅对齐后的脑扫描包含数百万个微小的体素，数量远大于可直接输入预测模型的数据量。为了解决这一点，团队使用了一种数学技术，将数据压缩为一组较少的成分，这些成分捕捉了婴儿间主要的变异模式。随后他们按成分与年龄相关性的强弱对其排序，只保留最具信息量的成分。利用这些特征，他们训练了三种成熟的回归方法——高斯过程回归、支持向量回归和相关向量回归——来预测脑龄，并通过重复交叉验证来检验性能，以确保每位婴儿在某些时候作为未见过的测试样本。

脑龄能多接近真实年龄？

当图像使用既包含线性也包含非线性变形的方法配准到与年龄相匹配的模板时，脑龄估计非常精确。最好的模型平均误差约为0.44周——不到半周，影像数据可以解释大约95%的年龄变异。使用足月模板会产生略大的误差，而使用随机模板表现最差，尤其在早产婴儿中更为明显。更灵活的配准方法始终优于更简单的线性方法，尽管增益相对有限，因此在计算资源受限时，简单方法仍可能具有吸引力。在三种预测方法中，高斯过程回归在准确性和稳定性之间提供了最好的平衡。

对脆弱生命期的意义

通过谨慎选择新生儿脑扫描的配准和摘要方法，这项工作表明单次MRI就能非常准确地估计婴儿大脑的成熟度，精确到几天的尺度。这样的“脑龄”度量可以帮助临床医生在行为或运动出现问题之前，及早发现早产或高风险婴儿的细微发育滞后。尽管该研究依赖单一类型的MRI和特定研究项目的数据，但它为开发能够更客观追踪早期大脑生长的实用工具奠定了基础，从而在大脑对干预格外敏感的时期推动更早的介入。

引用: 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

关键词: 新生儿脑发育, 脑龄估计, 新生儿MRI, 早产婴儿, 机器学习