Модели возраста мозга обычно оценивают по точности предсказания, но этого мало для клинического биомаркера: нужна коррекция возрастного смещения, биологическая валидность, интерпретируемость и устойчивость к переносу между выборками. Рядом в архиве лежат работы о возрастных картах мозга, перестройке при болезни Альцгеймера и нейроинтерфейсах с геометрией Римана, но ни одна не объединяет все эти требования в одном конвейере на графовом представлении коннектома. Данная работа ставит себя в общее русло поиска надёжных биомаркеров старения, но отличается систематичностью проверки: она разделяет точность предсказания и биологическую интерпретацию, а также явно тестирует переносимость между когортами.
Диффузионные МРТ четырёх когорт (ADNI, Duke/UNC ADRC, HABS-HD, AD-DECODE) обработаны в коннектомы: 84 области мозга стали узлами графа, а связи между ними — рёбрами с весами по числу трактов. Для каждой когорты отдельно обучена графовая нейросеть с тремя слоями передачи сообщений и учётом весов рёбер. Оценивались пять наборов признаков: только изображения, изображения плюс демография, изображения плюс биомаркеры, полный набор и полный без сердечно-сосудистых переменных. Для честной оценки использована перекрёстная проверка с группировкой по участникам, чтобы сессии одного человека не попадали и в обучение, и в проверку. Сырые предсказания возраста использовались для метрик точности, а скорректированный на возрастной тренд разрыв (cBAG) — для биологических и продольных анализов.
Точность предсказания зависела от когорты сильнее, чем от набора признаков: средняя абсолютная ошибка составила от 4.70 лет в HABS-HD до 9.75 лет в AD-DECODE. Графовая нейросеть не превзошла классические модели (Ridge, ElasticNet, XGBoost) на тех же векторных признаках, но сохранила структуру сети для интерпретации. Скорректированный разрыв cBAG устойчиво коррелировал со снижением фракционной анизотропии белого вещества: в трёх когортах связь с гиппокампальной FA была значимой (r от −0.15 до −0.44). В продольном анализе ADNI более высокий исходный cBAG предсказывал последующее снижение FA и локальной эффективности (β до −0.285, q = 0.0016). Перенос моделей между когортами дал огромные ошибки (MAE до 80.57 лет), но линейная перекалибровка снизила медианную внешнюю MAE с 17.39 до 8.22 лет, не улучшив корреляцию рангов (осталась 0.171).
Работа показывает, что возраст мозга по коннектому может быть осмысленным биомаркером, если отделять точность предсказания от биологической интерпретации. В отличие от соседних работ, которые часто ограничиваются точностью или одной когортой, здесь систематически проверены коррекция смещения, продольная стабильность и переносимость. Главный вывод: cBAG отражает в первую очередь целостность белого вещества, а не когнитивный статус или генетический риск, и его ценность не в классификации болезни, а в отслеживании индивидуальной траектории старения.
Тема может развиваться в сторону гармонизации коннектомов между сканерами и протоколами, а также методов доменной адаптации для переноса моделей. Перспективно объединение данных нескольких центров в федеративном обучении, чтобы увеличить разнообразие выборки без нарушения конфиденциальности. Отдельный путь — проверка стабильности SHAP-атрибуций при повторном обучении и на независимых данных, чтобы понять, какие связи действительно важны для старения.
Результаты повлияют на разработку биомаркеров старения для клинических исследований и популяционной нейронауки, где нужны меры, устойчивые к смене оборудования и состава участников. Методология оценки переносимости и калибровки пригодится в любых проектах по машинному обучению на медицинских изображениях.
Следующий шаг — обучить модель на объединённых гармонизированных данных нескольких когорт и проверить, улучшится ли внешняя переносимость. Также стоит оценить стабильность SHAP-атрибуций при бутстреп-ресемплинге и на независимых наборах.
Работа напрямую связана с нерешённой проблемой в области нейровизуализации: как отличить истинный биологический сигнал старения от артефактов сбора данных и систематических ошибок модели. Показано, что даже при хорошей внутренней точности перенос на другую когорту может полностью разрушить предсказательную силу, и одной перекалибровки недостаточно для восстановления индивидуальных различий. Это ставит вопрос о том, какие свойства коннектома действительно переносимы между популяциями.
При переносе модели, обученной на когорте AD-DECODE, на другие когорты ошибка предсказания возраста достигала 80 лет, то есть модель могла «состарить» человека почти на век. После линейной перекалибровки ошибка падала до 8 лет, но порядок людей по возрасту всё равно не восстанавливался.
Идея биологического возраста, отличного от хронологического, перекликается с романом «Машина времени» Герберта Уэллса, где время течёт неравномерно для разных существ. Здесь мозг каждого человека стареет со своей скоростью, и модель пытается уловить эту индивидуальную траекторию по структуре связей.
Работа опубликована не на arXiv. Здесь её страница, PDF и формализация: проверить можно самим, а не только прочитать наш разбор.