摘要

年龄是已知的阿尔茨海默病（Alzheimer's Disease, AD）的主要风险因素之一。早期检测AD对于有效治疗和预防不可逆的脑损伤至关重要。脑龄是一种通过脑成像得出的指标，反映了由于衰老引起的结构变化，可能具有识别AD发病、评估疾病风险和规划针对性干预的潜力。最近，基于深度学习的回归技术在从磁共振成像（Magnetic Resonance Imaging, MRI）扫描中预测脑龄方面表现出很高的准确性。然而，这些方法存在固有的回归均值效应，导致系统性偏差，即对年轻受试者的脑龄高估而对年老受试者的脑龄低估。这削弱了预测脑龄作为下游临床应用的有效生物标志物的可靠性。为了解决这一系统性偏差问题，我们将脑龄预测任务从回归重新定义为分类。考虑到保留年龄顺序信息的重要性，以理解衰老轨迹并纵向监测衰老过程，我们提出了一种新的有序距离编码正则化（ORdinal Distance Encoded Regularization, ORDER）损失函数，该函数结合了年龄标签的顺序信息，增强了模型捕捉与年龄相关模式的能力。广泛的实验和消融研究证明，该框架可以减少系统性偏差，在统计上显著优于现有方法，并且能够在独立的AD数据集中更好地捕捉不同临床群体之间的细微差异。我们的实现代码已在https://github.com/jaygshah/Robust-Brain-Age-Prediction 公开发布。