利用深度学习可解释性方法探索健康神经认知老化

健康老化会重组大尺度功能性脑网络。本研究利用 Cam-CAN 数据集中 615 名年龄为 18 至 88 岁成年人的静息态 fMRI 数据。我们结合原始功能连接分析、图论拓扑分析、基于 Ridge 和 MLP 的年龄预测及其归因方法，以理解功能性脑组织如何随年龄变化以及其与认知表现的关系。两种模型均能准确预测年龄，其中 MLP 表现出一定程度的优势。网络内功能连接（FC）随年龄增长而降低，而网络间功能连接和参与度则增加。拓扑分析显示，节点参与度提高，并且节点在连接器节点、局部节点、卫星节点和外围节点等角色之间发生了重新分配。MLP 的 SmoothGrad 归因结果强调了高参与度和低专门化节点；而反事实检验显示，将 CON-SMN、CON-DMN 和 DMN-FPN 连接替换为青年成人模板后，预测年龄的下降幅度最大。脑-认知偏最小二乘（PLS）分析将这些机制与一个广泛的认知表现轴以及一个次级的语义/连接组轴联系起来。总体而言，这些发现表明，健康老化涉及功能组织的重新分配，其范围超越了单一的 DMN-FPN 轴，转而呈现出更广泛的 DMN-CON-SMN-FPN 配置。

健康老化会重组大尺度功能性脑网络。我们利用 Cam-CAN 数据集中 615 名年龄为 18 至 88 岁成年人的静息态 fMRI 数据，结合原始功能连接（FC）分析、图论拓扑分析、基于 Ridge 和多层感知机（MLP）的年龄预测及其归因分析，以理解功能性脑组织如何随年龄变化以及其与认知表现之间的关系。两种模型均能准确预测年龄，其中 MLP 略具优势。随着年龄增长，网络内 FC 减少，而网络间 FC 和参与度增加。拓扑分析显示，节点参与度提高，并且节点在连接者节点、局部节点、卫星节点和外围节点等角色之间发生重新分配。MLP 的 SmoothGrad 归因结果突出显示了高参与度和低专一化节点；而反事实检验表明，将 CON-SMN、CON-DMN 和 DMN-FPN 连接替换为青年成人模板，可使预测年龄产生最大幅度的下降。脑—认知偏最小二乘（PLS）分析将这些机制与一个广泛的认知表现轴以及一个次级的语义/连接组轴联系起来。总体而言，这些发现表明，健康老化涉及功能组织的重新分配，其范围超越了单一的 DMN-FPN 轴，转而趋向于更广泛的 DMN-CON-SMN-FPN 构型。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.14.751405v1?rss=1

🏷️ 健康神经认知老化 静息态功能连接 功能性脑网络重组 深度学习可解释性 图论拓扑分析 脑龄预测