使用MRI扫描来确定脑龄一直是一个非常耗时的过程。现在，AI机器只需要几秒钟就可以完成检测。

人类的认知能力会随着年龄增长而衰退。神经科学家也早已发现，这种衰退与大脑解剖结构的变化有关。毫无疑问，大脑MRI图像无法指示衰老迹象，更不用说确定“大脑年龄”。大脑年龄和实足年龄之间的差异可以揭示痴呆症等病症发作情况。

然而，MRI图像分析是一个冗长的过程，因为MRI数据必须经过大量处理才能被用来分析自然衰老。预处理工作包括从图像中去除头骨等非脑组织；白质、灰质和其他组织的区分；以及去除图像伪影以及各种数据平滑技术。

所有这些数据的处理时间可能会超过个24小时，这使得医生们难以将患者脑龄这一因素纳入临床诊断。

而这一切，要归功于Giovanni Montana及其团队在伦敦国王学院进行的研究。该团队正在使用来自MRI扫描仪的原始数据，来训练深度学习机器测量脑龄。有了深层学习技术，临床医生便可以在几秒钟之内获得准确的脑龄数据。有时候患者还没有退出扫描仪，结果就出来了。

该方法基于一项标准的深度学习技术。在训练深度学习机的过程中，Montana使用了2000多名正常人的MRI脑部扫描图像。这些人的年龄在18到90岁之间，并且不具有任何可能影响大脑年龄的神经系统疾病。所以他们的大脑年龄应该与他们的实足年龄相吻合。

所有扫描结果均为现代MRI扫描仪进行的标准T1加权扫描。每张扫描图上均标注了患者的实足年龄。

该团该团队使用了其中80％的图像来训练卷积神经网络测量一个人的年龄，并对其大脑进行扫描。然后，他们使用了另外200张图像来验证这一过程。最后，他们用200张机器尚未学习过的图像测试了神经网络的脑龄测量效果。

同时，该团队还将深度学习方法与常规的脑龄测定方法进行了对比。这需要大量的图像处理，以识别大脑中的白质和灰质，然后使用高斯过程回归法进行统计分析。

对比结果非常有趣。通过分析预处理数据，深度学习和高斯过程回归均准确地得出了患者的实足年龄。这两种方法的误差均小于五年。

尽管如此，深入学习在分析原始MRI数据时，还是表现出了明显的优势。它得出了正确的大脑年龄，并且平均误差仅为4.66年。相比之下，高斯过程回归的标准方法则在该测试中表现不佳，只给出了平均误差约为12年的粗略脑龄。

此外，与标准方法所需的24小时预处理时间相比，深度学习分析只需要几秒钟便可以完成。深度学习机器所进行的数据处理工作，只是为了确保各图像之间在图像取向和立体像素尺寸上的一致性。

这对医生造成了重大影响。Montana及其同僚表示：“这款软件可以帮助临床医生在MRI扫描的过程中，获得根据脑龄预测的年龄数据。”

该团队还比较了来自不同扫描仪的图像，来证明该技术可应用于世界各地不同扫描仪所拍摄的图像。通过比较双胞胎的大脑年龄，他们还研究了脑龄与遗传因素之间的相关性。有趣的是，结果表明，相关性会随年龄增长而减弱，环境因素的影响会随着时间的推移变得更加显着。这同样提出了一个新的研究方向。

这样一个令人印象深刻的研究结果，很可能会对临床医生的诊断方法造成巨大的影响。大量研究证据表明，糖尿病、精神分裂症和创伤性脑损伤等病症与脑衰老的加速相关。因此，一种快速准确地测量大脑衰老程度的方法，可能会对这些疾病的临床疗法产生重要影响。

Montan及其同僚表示：“脑预测年龄代表了一种准确、可靠且在遗传学上有效的表型，它有可能被用作脑衰老的生物标记。”