Анализът на близо 50 000 сканирания на мозъка разкри пет различни модела на мозъчна атрофия, свързани със стареенето и невродегенеративните заболявания. Анализът също така свързва моделите с фактори на начина на живот като тютюнопушене и консумация на алкохол, както и с генетични и кръвни маркери, свързани със здравословното състояние и риска от заболяване.

Работата е „методологически шедьовър“, който може значително да подобри разбирането на изследователите за стареенето, казва Андрей Иримия, геронтолог от Университета на Южна Калифорния в Лос Анджелис, който не е участвал в работата. "Преди това проучване знаехме, че мозъчната анатомия се променя с остаряването и заболяването. Но способността ни да уловим това сложно взаимодействие беше много по-скромна."

Изследването е проведено на 15 август вПриродна медицинапубликувани.

Бръчки в мозъка

Стареенето може да причини не само сива коса, но и промени в мозъчната анатомия, които се виждат на изображения с магнитен резонанс, като някои области се свиват или претърпяват структурни промени с течение на времето. Тези трансформации обаче са фини. „Човешкото око не е в състояние да възприеме модели на систематични мозъчни промени“, свързани с тази деградация, казва Христос Давацикос, специалист по биомедицински изображения в Университета на Пенсилвания във Филаделфия и автор на доклада.

Предишни проучвания показват, че машинното обучение може да извлече фините пръстови отпечатъци на стареенето от данните от ЯМР. Тези проучвания обаче често са с ограничен обхват и обикновено включват данни от относително малък брой хора.

За да идентифицира по-широки модели, екипът на Давацикос започна проучване, което отне около осем години, за да завърши и публикува. Те използваха метод за дълбоко обучение, наречен Surreal-GAN, който беше разработен от първия автор Zhijian Yang, докато той беше студент в лабораторията на Davatzikos. Учените са обучили алгоритъма, използвайки ЯМР на мозъка от 1150 здрави хора на възраст от 20 до 49 години и 8992 по-възрастни, включително много с когнитивни увреждания. Това научи алгоритъма да разпознава повтарящи се характеристики на стареещите мозъци, което му позволява да изгради вътрешен модел на анатомични структури, които се променят едновременно, за разлика от тези, които са склонни да се променят независимо.

След това изследователите приложиха получения модел към MRI сканирания на близо 50 000 души, участващи в различни проучвания за стареенето и неврологичното здраве. Този анализ предостави пет дискретни модела на мозъчна атрофия. Учените свързват различните типове свързана с възрастта мозъчна дегенерация с комбинации от петте модела, въпреки че има някои разлики между хората с едно и също състояние.

Модели на стареене

Например, деменцията и нейният предшественик, леко когнитивно увреждане, са имали връзки с три от петте модела. Интересното е, че изследователите също така откриха доказателства, че идентифицираните от тях модели могат потенциално да бъдат използвани за разкриване на вероятността от по-нататъшна дегенерация на мозъка в бъдеще. „Ако искате да предвидите прехода от когнитивно нормално състояние към леко когнитивно увреждане, едно нещо е най-предвидителното“, казва Давацикос. „В по-късните етапи добавянето на втори [модел] обогатява вашата прогноза, което има смисъл, защото това улавя разпространението на патологията.“ Други модели бяха свързани с болести като Паркинсон и Алцхаймер, както и комбинация от три модела, които бяха силно предсказващи смъртността.

Авторите откриват ясни връзки между специфични модели на мозъчна атрофия и различни физиологични и екологични фактори, включително консумация на алкохол и тютюнопушене, както и различни генетични и биохимични подписи, свързани със здравето. Давацикос казва, че тези резултати вероятно отразяват въздействието на общото физическо благосъстояние върху неврологичното здраве, тъй като увреждането на други системи на органи може да има последствия за мозъка.

Давацикос обаче предупреждава, че проучването „не означава, че всичко може да бъде сведено до пет числа“ и неговият екип възнамерява да работи с масиви от данни, които включват по-широк набор от неврологични заболявания и имат по-голямо етническо и културно разнообразие.