灰质年龄预测作为痴呆风险的生物标志物

1. 公式
   观察依据

   幻灯片展示了项 $\mathrm{age}_{\mathrm{predicted}}$ 在方程 $\mathrm{age}_{\mathrm{predicted}} - \mathrm{age}_{\mathrm{chronological}} = \mathrm{gap}$ 中。

2. 声音
   观察依据

   讲话者提到“预测的脑龄”，随后指出该模型根据3D脑部图像预测年龄。

$\mathrm{age}_{\mathrm{predicted}}$

模型从一张脑部图像中预测出的年龄。

与某一个体脑扫描相关联的一个标量年龄值；幻灯片未说明其单位。

1. 公式
   观察依据

   幻灯片展示了项 $\mathrm{age}_{\mathrm{chronological}}$ 在方程 $\mathrm{age}_{\mathrm{predicted}} - \mathrm{age}_{\mathrm{chronological}} = \mathrm{gap}$ 中。

2. 声音
   观察依据

   讲话者将该量称为“该人的实际日历年龄”。

$\mathrm{age}_{\mathrm{chronological}}$

该人的实际日历年龄。

与预测脑龄一同用于同一被试者的标量年龄值；幻灯片未说明其单位。

1. 公式
   观察依据

   幻灯片通过方程 $\mathrm{gap}$ 定义了 $\mathrm{age}_{\mathrm{predicted}} - \mathrm{age}_{\mathrm{chronological}} = \mathrm{gap}$。

2. 声音
   观察依据

   讲话者描述了“预测脑龄与该人实际日历年龄之间的差距”。

$\mathrm{gap}$

预测脑龄与日历年龄之差。

通过相减得到的一个带符号标量；视频片段未说明是否使用绝对值或阈值。

1. 图示
   观察依据

   流程图将输入框标注为“脑部图像”。

2. 声音
   观察依据

   说话人称该模型“接收3D脑部图像”。

1. 幻灯片文字写的是“脑部图像”，而音频明确说是“3D脑部图像”；具体的成像模态并未在幻灯片上写出。

brain image

输入至模型用于年龄预测的数据。

脑部成像数据；音频中将其界定为3D脑部图像，随后说话人还提到了鹿特丹研究中的MRI扫描。

1. 图示
   观察依据

   流程图中央的方框标注为“模型”。

2. 动画
   观察依据

   大约在01:30处，通用的“模型”方框被一个标有“深度学习”的蓝色方框所取代，该蓝色方框内含神经网络示意图及文字“特征提取 + 分类”。

3. 声音
   观察依据

   说话人称他们使用了“一种名为深度学习的人工智能技术来构建模型”。

model

将脑部图像映射为预测年龄的计算系统。

在此片段中，该模型被明确认定为深度学习模型。

1. 字幕依据
   观察依据

   幻灯片列出了“受试者人数5337”。

2. 声音
   观察依据

   说话人称鹿特丹研究提供了“超过5000名参与者”的数据访问权限。

Number of subjects

分析中所用的鹿特丹研究数据集的规模。

参与者人数；幻灯片上显示的数值为5337。

1. 字幕依据
   观察依据

   幻灯片上列出“新发痴呆症 +159。”

2. 声音
   观察依据

   说话人称“有一组159名参与者在后续发生了痴呆症。”

1. 幻灯片使用了“+159”这一记号，但视频片段并未对加号作进一步定义，仅用以表示新发痴呆症病例的数量。

Incident dementia

后续发生痴呆症的参与者人数。

新发痴呆症病例数；幻灯片上显示的数值为159。

1. 公式
   观察依据

   幻灯片文字显示公式：〔age^predicted〕－〔age^chronological〕＝〔gap〕。

2. 图示
   观察依据

   同一张幻灯片将深度学习模块的输出标注为〔age^predicted〕。

age^{$\text{predicted}$}

对脑部影像应用深度学习模型所得的预测脑龄。

单位为年；回归模型的标量输出。

1. 公式
   观察依据

   幻灯片文字显示公式：〔age^predicted〕－〔age^chronological〕＝〔gap〕。

2. 图示
   观察依据

   散点图横轴标注为“实际年龄（年）”。

age^{$\text{chronological}$}

受试者的实际年龄。

单位为年；观测得到的标量协变量。

1. 公式
   观察依据

   幻灯片文字通过公式〔age^predicted〕－〔age^chronological〕＝〔gap〕定义〔gap〕。

2. 声音
   观察依据

   讲话人后续提及〔gap〕与新发痴呆症之间的关联。

gap

预测脑龄与实际年龄之差。

单位为年；在生存分析中使用的衍生标量特征。

1. 公式
   观察依据

   幻灯片项目符号显示：平均绝对误差为$4.45\pm 3.59$年。

2. 图示
   观察依据

   散点图标注显示：MAE = 4.45。

3. 声音
   观察依据

   说话人称平均误差约为四年半。

$\text{MAE}$

预测脑龄相对于实际年龄的平均绝对误差。

单位为年；非负汇总统计量。

1. 公式
   观察依据

   幻灯片项目符号显示：组内相关系数为0.97。

2. 声音
   观察依据

   说话人提到一个较高的可重复性评分。

$\text{ICC}$

组内相关系数，用于量化预测结果的可重复性。

无量纲；报告值为0.97。

1. 公式
   观察依据

   幻灯片明确写出$\mathrm{age}_{\mathrm{predicted}} - \mathrm{age}_{\mathrm{chronological}} = \mathrm{gap}$。

2. 声音
   观察依据

   说话人引入了“预测脑龄与个体实际日历年龄之间的差距”这一概念。

3. 图示
   观察依据

   流程图显示“脑部影像”输入“模型”，输出$\mathrm{age}_{\mathrm{predicted}}$，其下方附有减法公式。

视频片段将脑龄差距定义为：由脑部影像预测出的年龄与个体日历年龄之间的差值。该公式直接显示在幻灯片上，并通过口头描述加以强调。

1. 必须通过某个模型对脑部影像进行分析，从而得到预测的脑龄。

2. 必须已知同一个人的实际年龄。

1. 用于从脑部影像预测年龄的深度学习模型

1. 声音
   观察依据

   主讲人说：“在本研究中，我们采用了一种名为深度学习的人工智能技术，构建了一个模型，该模型接收3D脑部影像，以预测其年龄。”

2. 动画
   观察依据

   原本泛指的“模型”框被替换为一个蓝色的“深度学习”框，框内包含神经网络示意图以及文字“特征提取 + 分类”。

3. 图示
   观察依据

   流程图的输入标注为“脑部影像”，输出标注为$\mathrm{age}_{\mathrm{predicted}}$。

1. 本片段未具体说明网络架构。

该研究将深度学习模型用作从脑部影像到预测年龄的映射关系。在动画中，原本抽象的模型框被具象化为执行特征提取与分类/回归式预测的神经网络。

1. 输入为脑部影像；音频中明确指出是3D脑部影像。

2. 模型输出预测年龄，用于计算差值。

1. 声音
   观察依据

   主讲人称，近期研究表明，该差值“能够区分病例组与对照组，表明这一差值或可作为神经退行性疾病及痴呆症的生物标志物。”

2. 字幕依据
   观察依据

   幻灯片项目符号显示：“预测脑龄与实际年龄之间的差值。”

3. 字幕依据
   观察依据

   幻灯片中的参考文献包括关于预测脑龄、可靠且可遗传的生物标志物，以及与常见脑部疾病重叠的研究标题。

1. 该片段陈述了既往证据和研究动机；本段摘录中并未呈现新的统计结果。

在本段摘录中，脑龄差被提出作为一种候选生物标志物，因为先前研究报道其可在神经退行性疾病背景下区分病例组与对照组；该片段将当前研究定位为对这一观点的纵向拓展。

1. 该差值由预测脑龄与实际年龄计算得出。

2. 本片段中关于生物标志物的主张源于既往文献，而非本段摘录中展示的新结果。

1. 脑龄差距的定义

1. 公式
   观察依据

   幻灯片显示 age^predicted - age^chronological = gap。

2. 图示
   观察依据

   流程图展示脑部图像通过深度学习映射为预测年龄^predicted。

3. 声音
   观察依据

   主讲人从模型构建过渡到展示模型性能。

视频将脑龄差定义为模型预测的脑龄与受试者实际年龄之间的差值。配套的流程图表明，预测脑龄来自对脑部图像运行的深度学习流程。

1. 使用已训练的深度学习模型获得预测年龄^{$\text{predicted}$}。

2. 两种年龄均以年为单位。

3. 该差值是一个用于下游分析的派生标量特征。

1. 公式
   观察依据

   幻灯片要点显示：平均绝对误差$4.45\pm 3.59$年，组内相关系数0.97。

2. 图示
   观察依据

   散点图标注为：MAE = 4.45。

3. 声音
   观察依据

   主讲人称平均误差约为四年半，并指出其可重复性得分很高。

结果幻灯片报告了模型性能的两个定量总结：平均绝对误差和组内相关系数。前者衡量以年为单位的平均预测偏差，后者则概括可重复性或一致性强度。

1. 根据预测脑龄与实际年龄之差计算得出。

2. 平均绝对误差以年为单位表示。

3. 组内相关系数无量纲，报告为0.97。

1. 脑龄差的定义

1. 公式
   观察依据

   幻灯片项目符号显示：Cox回归（风险比为1.11；95%置信区间为1.06–1.15）。

2. 声音
   观察依据

   主讲人称，他们采用Cox比例风险模型评估该差距与新发痴呆之间的关联。

本视频采用Cox比例风险模型检验脑龄差距是否与新发痴呆相关。报告的风险比大于一表明，差距值越大，罹患痴呆的风险越高。

1. 结局变量为新发痴呆。

2. 暴露变量为差距变量。

3. 所用模型为Cox比例风险模型。

4. 解释时需满足风险比大于1，才表明风险升高。

1. 脑龄差的定义

1. 图示
   观察依据

   Kaplan-Meier图标题为“Kaplan-Meier – 差距”，图中按五分位数组别展示五条曲线。

2. 声音
   观察依据

   主讲人指出，间隙值的五分位数揭示了较低与较高间隙值之间痴呆概率的差异。

该演示通过将受试者按间隙值分为五分位数组，并绘制随访时间内未患痴呆的概率曲线，来可视化生存差异。图中较低间隙五分位数组的曲线始终位于上方，表明其保持无痴呆状态的概率更高。

1. 受试者按间隙值被划分为五分位数组。

2. 纵轴表示未患痴呆的概率。

3. 横轴表示随访时间（单位：年）。

4. 在不同五分位数组间对曲线进行比较。

1. 脑龄差的定义
2. Cox回归：差距变量与新发痴呆的关联

1. 图示
   观察依据

   幻灯片标题为：带三张脑部切片及高-低色阶条的Grad-CAM注意力图。

2. 声音
   观察依据

   主讲人指出，可视化技术可将结果回溯至原始图像，并提取注意力图。

3. 声音
   观察依据

   主讲人指出，杏仁核与海马体对脑龄预测尤为关键。

为提升深度学习模型的可解释性，视频采用Grad-CAM注意力图叠加于脑部切片之上。热力图标示出对预测脑龄影响最大的解剖区域，其中杏仁核与海马体被特别突出显示为关键区域。

1. 需要一个训练好的深度学习模型及相应的输入图像。

2. 注意力强度通过从低到高的颜色标度进行编码。

3. 此处用于事后解释，而非预测准确性。

1. 脑龄差的定义

1. 声音
   观察依据

   主讲人指出，该差距是一个与痴呆症风险显著相关的生物标志物，差距值越高，未来患痴呆症的概率就越大。

2. 字幕依据
   观察依据

   幻灯片文字显示：“预测脑龄与实际年龄之间的差距，是一个与痴呆症风险显著相关的生物标志物。”

模型预测的脑龄与个体实际年龄之间的差异可作为生物标志物；差距为较大的正值，表明未来患痴呆症的概率更高。

1. 需要一个用于预测脑龄的模型

2. 适用于痴呆症风险评估

1. 声音
   观察依据

   主讲人指出，深度学习方法实现了对衰老相关关键脑区的可视化，可用于后续研究。

2. 字幕依据
   观察依据

   幻灯片文字显示：“深度学习方法实现了对衰老相关关键脑区的可视化。”

深度学习模型不仅可用于预测结果，还可用于可视化衰老过程中起关键作用的特定脑区，从而指导后续神经科学研究。

1. 使用已训练的深度学习模型

2. 侧重于模型可解释性与特征可视化

1. 声音
   观察依据

   演讲者说：“近期研究表明，预测脑龄与个体实际年龄之间的差值能够区分病例组与对照组……”

2. 字幕依据
   观察依据

   幻灯片列出了来自2017和2018的支持性参考文献，内容涉及脑龄预测及相关生物标志物发现。

1. 口述摘录中未指明具体的病例组与对照组名称。

近期研究表明，预测脑龄与实际年龄之间的差值能够区分病例组与对照组。

1. 预测脑龄源自脑部影像。

2. 每位参与者的实际年龄已知。

3. 既往研究中，病例组与对照组之间进行了比较。

关于近期研究发现的存在性主张；该片段未对量化关系进行形式化表述。

1. 声音
   观察依据

   讲话者继续说道：“……表明这一差距可能作为神经退行性疾病和痴呆的生物标志物。”

1. “可能”一词表示一种推测性解释，而非已被证实的定理。

脑龄差可能作为神经退行性疾病和痴呆症的生物标志物。

1. 此前观察到该差距能够区分病例组与对照组，这一现象被视作支持性证据。

这是一种模态主张（“可能作为”），而非全称陈述。

1. 声音
   观察依据

   讲话者说道：“下一步，我们希望采用纵向方法来研究随时间推移的脑老化过程。因此，我们旨在探究此类差距作为风险生物标志物的效用，例如用于痴呆。”

2. 字幕依据
   观察依据

   幻灯片补充写道：“我们的目标：对该差距开展纵向研究；评估痴呆风险。”

该研究旨在采用纵向方法，探究脑龄差作为痴呆症风险生物标志物的效用。

1. 该差值由预测脑龄与实际年龄计算得出。

2. 所研究队列具有随时间变化的纵向数据。

这是研究目标的陈述，而非已被证实的结果。

1. 声音
   观察依据

   说话人称，红色圆点代表数据集中的所有受试者。

2. 图示
   观察依据

   散点图包含大量红色点，用于比较预测年龄与实际年龄。

散点图中的每个红色圆点对应一名受试者，其横纵坐标分别为实际年龄与预测脑龄。

1. 该图即结果页中展示的模型性能散点图。

针对散点图中每一个显示的红色圆点。

1. 声音
   观察依据

   说话人称，虚线代表完美预测。

2. 图示
   观察依据

   一条虚线对角线贯穿整个散点图。

散点图中的虚线对角线表示预测脑龄等于实际年龄的情形。

1. 横轴与纵轴均表示年龄，单位相同，分别为实际年龄和预测年龄。

对于落在虚线上的点。

1. 声音
   观察依据

   主讲人指出，模型给出的风险比大于一，表明年龄差增大与痴呆症发生概率升高相关。

2. 公式
   观察依据

   幻灯片报告的风险比为1.11，其95%置信区间为1.06–1.15。

由于Cox模型得出HR = $1.11 > 1$，因此在拟合模型中，年龄差增大与痴呆症发生概率升高相关。

1. 所拟合的模型为Cox比例风险模型。

2. 暴露变量为年龄差变量。

3. 结局事件为新发痴呆症。

针对拟合模型中年龄差的增加。

1. 声音
   观察依据

   主讲人指出，较低五分位组或年龄差较小者未患痴呆症的概率更高。

2. 图示
   观察依据

   Kaplan-Meier 曲线图显示，在随访期间，最低五分位数组的曲线始终位于其他组之上。

在整个绘图所示的随访期内，间隙值较低的五分位数组受试者保持无痴呆状态的概率，高于间隙值较高的五分位数组受试者。

1. 受试者按间隙值被划分为五个五分位数组。

2. 图中绘制的量为随时间变化的无痴呆概率。

针对 Kaplan-Meier 曲线图中展示的各五分位数组。

1. 声音
   观察依据

   讲解者指出，这些结果表明杏仁核与海马体对脑龄预测尤为关键。

2. 图示
   观察依据

   Grad-CAM 切片在内侧颞叶区域显示出强烈的暖色调激活。

1. 确切的解剖定位通过视觉与口头方式传达，但该片段未以数值形式明确给出细粒度的体素级边界。

Grad-CAM 注意力图表明，杏仁核与海马体是模型进行脑龄预测时尤为关键的脑区。

1. 一个已训练好的深度学习模型可用。

2. 对原始脑部图像应用梯度加权类激活映射（Grad-CAM）。

针对所展示的注意力图及所引用的模型。

1. 图示
   观察依据

   幻灯片展示了一个从左到右的流程：“脑部图像” → “模型” → $\mathrm{age}_{\mathrm{predicted}}$，下方附有公式 $\mathrm{age}_{\mathrm{predicted}} - \mathrm{age}_{\mathrm{chronological}} = \mathrm{gap}$。

2. 动画
   观察依据

   随后，“模型”框被替换为“深度学习”，使计算步骤更加明确。

3. 声音
   观察依据

   主讲人解释道，深度学习被用于构建一个模型，该模型以 3D 脑部图像为输入，预测个体年龄。

1. 该片段未展示深度学习模型本身的内部数学推导过程。

1. 公式

   $$\text{brain image} \rightarrow \text{model} \rightarrow \mathrm{age}_{\mathrm{predicted}}$$
   解释

   流程图将模型呈现为一个从输入脑部图像到输出预测年龄的映射。

   步骤依据

   幻灯片图示中直接展示了这一过程，并由主讲人关于“利用模型从脑部图像预测年龄”的叙述予以佐证。

   视频直接表达
2. 公式

   $$\mathrm{age}_{\mathrm{predicted}} - \mathrm{age}_{\mathrm{chronological}} = \mathrm{gap}$$
   解释

   一旦获得预测年龄，幻灯片即通过减去实际年龄来定义该差值。

   步骤依据

   幻灯片上的显式公式。

   视频直接表达
3. 公式

   $$\text{model} = \text{Deep Learning}$$
   解释

   抽象模型框随后被特化为一个深度学习模型，并配以神经网络示意图。

   步骤依据

   幻灯片上的动画将“model”替换为“Deep Learning”，主讲人指出深度学习是所采用的技术。

   视频直接表达

该片段的方法学链条是：在脑部图像上使用深度学习模型得到$\mathrm{age}_{\mathrm{predicted}}$，再据此计算$\mathrm{gap}=\mathrm{age}_{\mathrm{predicted}}-\mathrm{age}_{\mathrm{chronological}}$，用于下游生物标志物分析。

1. 图示
   观察依据

   第一张方法幻灯片展示了四幅轴向脑部图像，分别标注为正常25岁、正常75岁、轻度认知障碍75岁和阿尔茨海默病75岁。

2. 声音
   观察依据

   主讲人指出大脑随年龄增长持续变化，并以海马体萎缩为例；随后指出神经退行性疾病也会影响脑部结构。

3. 声音
   观察依据

   主讲人继而提问：这种影响如何改变我们从脑部图像中获取的个体年龄信息，并援引近期研究指出，该差异可区分病例组与对照组。

1. 该论证属于动机性阐述，而非形式化证明；该片段并未从解剖图像出发，通过数学推导得出生物标志物主张。

1. 公式

   $$\text{aging} \rightarrow \text{brain structural change}$$
   解释

   报告从“大脑随个体年龄增长而变化”这一前提出发。

   步骤依据

   由主讲人直接陈述，并通过对比25岁与75岁正常大脑图像加以图示说明。

   视频直接表达
2. 公式

   $$\text{brain structure} \rightarrow \text{estimable age information}$$
   解释

   由于衰老会在脑部结构中留下信息，主讲人指出可利用大脑来估计个体年龄。

   步骤依据

   根据前述解剖学示例进行的明确口述推理。

   视频直接表达
3. 公式

   $$\text{neurodegenerative disease} \rightarrow \text{additional brain structural change}$$
   解释

   主讲人补充指出，痴呆症和神经退行性疾病也会改变大脑结构。

   步骤依据

   伴随轻度认知障碍与阿尔茨海默病图像对比所作的明确口述陈述。

   视频直接表达
4. 公式

   $$\mathrm{age}_{\mathrm{predicted}} - \mathrm{age}_{\mathrm{chronological}} = \mathrm{gap}$$
   解释

   这些与疾病相关的偏离通过预测脑龄与实际年龄之差来操作化定义。

   步骤依据

   在激发思考的问题之后的下一张幻灯片上展示的公式。

   视频直接表达
5. 公式

   $$\text{gap distinguishes case from control} \Rightarrow \text{gap may be a biomarker}$$
   解释

   先前研究发现该差距可区分不同群体，这一发现被用来论证其作为生物标志物的潜在作用。

   步骤依据

   对幻灯片上近期研究的口述总结及所附参考文献列表。

   视频直接表达

该片段构建了一个直观的逻辑：年龄增长和疾病都会改变大脑结构，因此基于模型得出的预测脑龄与实际年龄之间的不匹配，可能蕴含生物标志物信息。

1. 声音
   观察依据

   主讲人解释道：利用该模型与参与者数据，他们采用Cox比例风险模型评估该差距与新发痴呆之间的关联。

2. 公式
   观察依据

   幻灯片报告风险比为1.11；95%置信区间为1.06–1.15。

1. 公式

   $$gap = age^{\text{predicted}} - age^{\text{chronological}}$$
   解释

   从先前定义的差距特征出发。

   步骤依据

   见于本片段开头“方法”幻灯片中。

   视频直接表达
2. 公式

   $$\text{Cox proportional hazards model on gap \text{且} incident dementia}$$
   解释

   将该差距作为解释变量，纳入新发痴呆的生存模型。

   步骤依据

   主讲人在介绍分析方法时明确指出。

   视频直接表达
3. 公式

   $$\text{HR}=1.11,\ 95\%\ \text{CI}=[1.06,1.15]$$
   解释

   报告拟合所得的风险比及其置信区间。

   步骤依据

   显示在“结果”幻灯片上。

   视频直接表达
4. 公式

   $$\text{HR}>1 \Rightarrow \text{higher gap associated with higher dementia incidence}$$
   解释

   将大于一的风险比解读为：差距越大，风险越高。

   步骤依据

   由主讲人明确指出。

   视频直接表达

该视频通过报告的Cox风险比，将所定义的差距变量与痴呆症风险的统计学显著升高联系起来。

1. 图示
   观察依据

   Kaplan-Meier图显示五条曲线，按五分位数标记。

2. 声音
   观察依据

   主讲人指出，较低的五分位数或较小的差距值对应更高的无痴呆症概率。

1. 公式

   $$\text{Partition subjects into quintiles of } gap$$
   解释

   按差距值升序将队列分为五个五分位数。

   步骤依据

   由主讲人陈述，并在图例中体现。

   视频直接表达
2. 公式

   $$S_q(t)=P(\text{dementia-free at } t\mid q)$$
   解释

   对每个五分位数q，绘制随随访时间t变化的估计无痴呆症概率。

   步骤依据

   Kaplan-Meier图的坐标轴和图例定义了该量。

   依据视频推导
3. 公式

   $$S_{\text{lowest}}(t) \ge S_{\text{second}}(t) \ge \cdots \ge S_{\text{highest}}(t)$$
   解释

   各曲线按差距五分位数递增顺序自上而下排列。

   步骤依据

   在图中可见，并由主讲人口头总结。

   视频直接表达

Kaplan-Meier可视化结果支持如下主张：更小的差距值对应随时间推移保持无痴呆症状态的概率更高。

1. 图示
   观察依据

   幻灯片展示了两个标注为“25岁”和“75岁”的正常大脑，其高亮显示的内部结构存在明显差异。

2. 声音
   观察依据

   主讲人说：“举个例子，此处显示的是海马体，衰老在此表现为该结构的萎缩。”

1. 高亮区域在口述中被指认为海马体，但幻灯片本身并未印出‘海马体’一词。

图示正常衰老如何改变大脑结构，从而支持年龄估计。

1. 一幅25岁正常大脑的影像。

2. 一幅75岁正常大脑的影像。

3. 主讲人指出被高亮标出的结构为海马体。

表明衰老会在大脑中产生可见的结构性变化。

1. 公式

   $$\text{Compare Normal 25 years vs Normal 75 years}$$
   解释

   幻灯片将一位较年轻与一位较年长的正常大脑影像并排呈现，使与年龄相关的改变在视觉上一目了然。

   步骤依据

   幻灯片上的直接视觉对比。

   视频直接表达
2. 公式

   $$\text{aging} \rightarrow \text{shrinkage of the highlighted structure}$$
   解释

   主讲人将所见的视觉差异解读为与衰老相关的萎缩。

   步骤依据

   配合所展示图像的音频讲解。

   视频直接表达

正常衰老通过被高亮标出的大脑区域在25岁与75岁样例之间的结构性萎缩得以图示。

该结论由并排图像及主讲人对萎缩与衰老之间关系的明确指认共同支持。

1. 图示
   观察依据

   该幻灯片对比了正常75岁大脑、轻度认知障碍75岁大脑以及阿尔茨海默病75岁大脑。

2. 声音
   观察依据

   主讲人说：“然而，神经退行性疾病和痴呆症也会影响大脑结构。”

1. 该片段并未对可见差异进行量化，仅以示意图方式呈现。

说明即使实际年龄保持不变，疾病仍可改变大脑结构。

1. 一名正常75岁个体的大脑影像。

2. 一名轻度认知障碍75岁患者的大脑影像。

3. 一名阿尔茨海默病75岁患者的大脑影像。

证明神经退行性疾病对大脑结构的影响独立于年龄标签。

1. 公式

   $$\text{Fix chronological age at 75 years}$$
   解释

   这三幅被比较的大脑影像均标有相同的年龄标签，从而将疾病状态作为唯一变量加以凸显。

   步骤依据

   幻灯片上的可见标签。

   视频直接表达
2. 公式

   $$\text{Compare Normal vs Mild cognitive impairment vs Alzheimer's disease}$$
   解释

   该幻灯片在同一实际年龄下并列展示了不同诊断类别。

   步骤依据

   最右侧三幅大脑影像的直接视觉排布。

   视频直接表达
3. 公式

   $$\text{disease status} \rightarrow \text{different brain appearance}$$
   解释

   主讲人通过这一对比论证，神经退行性疾病同样会影响大脑结构。

   步骤依据

   音频陈述与所展示的图像相配合。

   视频直接表达

在相同的实际年龄75岁时，正常大脑、轻度认知障碍大脑和阿尔茨海默病大脑呈现出不同形态，直观体现了疾病相关的结构性影响。

这一观点得到了同龄标签以及主讲人明确陈述的支持：神经退行性疾病和痴呆症同样会影响大脑结构。

1. 字幕依据
   观察依据

   幻灯片列出了“鹿特丹研究数据（1990年至今）：受试者人数5337；新发痴呆症病例数＋159。”

2. 声音
   观察依据

   主讲人指出，这些数据来自鹿特丹研究，其中超过5000名参与者的磁共振成像（MRI）被用于模型的训练、验证与测试，另有159名参与者后续发展为痴呆症。

1. 本片段未说明这5337名受试者在训练集、验证集和测试集之间的具体划分比例。

明确说明构建和评估脑龄模型所采用的数据来源及队列规模。

1. 鹿特丹研究数据，时间跨度为1990年至现在。

2. 共5337名受试者。

3. 159例新发痴呆症病例。

为纵向生物标志物研究建立实证基础。

1. 公式

   $$\text{Data source} = \text{Rotterdam Study data (1990 – present)}$$
   解释

   幻灯片上标出了研究队列及其时间跨度。

   步骤依据

   幻灯片上可见的字幕。

   视频直接表达
2. 公式

   $$\text{Number of subjects} = 5337$$
   解释

   总样本量被明确列出。

   步骤依据

   幻灯片上可见的字幕，并在语音中转述为“超过5000名参与者”。

   视频直接表达
3. 公式

   $$\text{Incident dementia} = 159$$
   解释

   后续发展为痴呆症的亚组被明确列出。

   步骤依据

   幻灯片上可见的字幕，并在音频中重复。

   视频直接表达
4. 公式

   $$\text{All data used to train, validate, \text{且} test the model}$$
   解释

   主讲人指出，该数据集被用于完整的模型开发全流程。

   步骤依据

   音频陈述。

   视频直接表达

本研究采用鹿特丹研究数据，共包含5337名受试者，其中新发痴呆病例159例，并将这些数据用于深度学习模型的训练、验证与测试。

幻灯片上可直接读取这些数字，且与口头总结一致。

1. 图示
   观察依据

   散点图标题：实际年龄与预测脑龄对比图，坐标轴单位为年，标注平均绝对误差 MAE = 4.45。

2. 声音
   观察依据

   讲解者说明坐标轴含义、红色圆点、虚线以及汇总误差指标。

解读所展示的实际年龄与预测脑龄的散点图，以及附带的汇总统计信息。

1. 横轴：实际年龄（年）

2. 纵轴：预测年龄（年）

3. 红色圆点：数据集中的受试者

4. 虚线：理想预测线

5. 平均绝对误差 MAE = $4.45 \pm 3.59$ 年

6. 组内相关系数 ICC = 0.97

解释该图及各项指标对预测质量的含义。

1. 公式

   $$\text{Compare }(age^{\text{chronological}}, age^{\text{predicted}})\text{ for each subject}$$
   解释

   每位受试者对应一个点，其横坐标为实际年龄，纵坐标为预测脑龄。

   步骤依据

   由主讲人明确说明。

   视频直接表达
2. 公式

   $$age^{\text{predicted}} = age^{\text{chronological}}$$
   解释

   虚线对角线上的点对应于完美预测。

   步骤依据

   主讲人指出，该虚线代表完美预测。

   视频直接表达
3. 公式

   $$\text{MAE}=4.45\pm 3.59\ \text{years}$$
   解释

   预测年龄与实际年龄之间的平均绝对偏差约为4.45年。

   步骤依据

   幻灯片中已展示，并在口头陈述中进行了转述。

   视频直接表达
4. 公式

   $$\text{ICC}=0.97$$
   解释

   可重复性得分较高，表明一致性很强。

   步骤依据

   幻灯片中的项目符号内容，加上主讲人提及的高可重复性得分。

   视频直接表达

散点图显示，预测脑龄沿恒等线紧密跟随实际年龄，报告的平均绝对误差为$4.45\pm 3.59$年，组内相关系数为0.97，表明性能良好但并非完美。

虚线对角线附近明显的视觉聚类，加上幻灯片上明确列出的数值指标，共同支持该解读。

1. 图示
   观察依据

   Kaplan-Meier–Gap图，含五条五分位数曲线；纵轴为未患痴呆概率（-），横轴为随访时间（年）。

2. 声音
   观察依据

   主讲人解读了较低Gap五分位数与较高Gap五分位数之间的分离现象。

使用Kaplan-Meier图比较各间隙五分位数组的痴呆结局。

1. 按间隙值划分的五个五分位数组

2. 纵轴：未患痴呆的概率

3. 横轴：随访时间（单位：年）

判断哪些间隙组在随访期间更常保持未患痴呆状态。

1. 公式

   $$\text{Identify curve for lowest quintile}$$
   解释

   找到标注为‘最低五分位组’的最上方曲线。

   步骤依据

   图例及图中曲线的可见排序。

   视频直接表达
2. 公式

   $$\text{Compare with highest quintile curve}$$
   解释

   观察到最高五分位组曲线在整个随访期间均位于较低五分位组曲线之下。

   步骤依据

   对所绘曲线进行直接的视觉比较。

   视频直接表达
3. 公式

   $$S_{\text{low gap}}(t) > S_{\text{high gap}}(t)$$
   解释

   在可比的随访时间点上，间隙较低组的未患痴呆概率更高。

   步骤依据

   主讲人明确陈述了这一解读。

   视频直接表达

与较高五分位组的受试者相比，较低五分位组的受试者在整个随访期间保持未患痴呆状态的概率更高。

与所绘曲线的顺序及说话者的口头解释均一致。

1. 图示
   观察依据

   标题为‘Grad-CAM 注意力图’的三张脑部切片，下方配有从低到高的色标。

2. 声音
   观察依据

   说话者指出，杏仁核与海马体对脑龄预测尤为关键。

1. 视频片段中未给出确切的切片坐标。

解读所展示的、针对已训练模型的 Grad-CAM 注意力图。

1. 标题：Grad-CAM 注意力图

2. 色标从‘低’到‘高’

3. 三张重叠的脑部切片

识别模型最关注的脑区。

1. 公式

   $$\text{Read color intensity as attention strength}$$
   解释

   根据色标，颜色越暖，表示注意力越高。

   步骤依据

   图示标签：高/低。

   视频直接表达
2. 公式

   $$\text{Locate strongest activations in medial temporal regions}$$
   解释

   强度最高的区域出现在语音中标识为杏仁核和海马体的结构周围。

   步骤依据

   视觉热点区域与说话者所作的解剖学命名相结合。

   视频直接表达
3. 公式

   $$\text{Map attention back to original image}$$
   解释

   使用Grad-CAM将模型结果追溯至输入的脑部图像。

   步骤依据

   说话者明确说明了这一目的。

   视频直接表达

注意力图突出显示杏仁核和海马体是模型预测脑龄时尤为关键的区域。

这一结论得到了可见的暖色调激活区域以及说话者的直接解读的支持。

1. 图示
   观察依据

   标题卡片显示“青年医学德尔塔奖：论文颁奖2020”，随后一页幻灯片显示“Johnny Wang”及“灰质年龄预测作为痴呆风险的生物标志物”。

2. 声音
   观察依据

   主讲人自我介绍为约翰，并说明本次讲座的标题。

1. 屏幕上显示的名字是“乔尼·王”，而主讲人口头说的是“我叫约翰”。

1. 标题页

2. 主讲人网络摄像头小窗画面

3. 幻灯片上显示主讲人姓名与讲座标题

1. 屏幕画面从奖项标题页切换至讲座标题页。

1. 本次讲座的主题仍为灰质年龄预测——作为痴呆症风险的生物标志物。

本段在任何方法内容出现之前，先确立本次报告的背景与主题。

1. 图示
   观察依据

   一张标注为“方法”的幻灯片展示了四幅轴向脑部图像，分别标有：正常25岁、正常75岁、轻度认知障碍75岁、阿尔茨海默病75岁。

2. 动画
   观察依据

   当主讲人讲解衰老与疾病影响时，一个红色激光指示点在各脑部图像间移动。

1. 幻灯片上未标注高亮区域的确切解剖学边界。

1. 四张轴向脑部图像

2. 诊断标签

3. 年龄标签

4. 红色指针圆点

1. 指针将注意力从年轻健康脑依次移向年长健康脑，再移向年龄为75的疾病示例。

1. 这四张图像在整个过程中始终同时显示在同一张幻灯片上。

2. 年龄标签与诊断标签保持固定不动，仅指针移动。

该视觉序列支持口头阐述中对正常衰老与疾病相关结构变化之间的对比。

1. 动画
   观察依据

   先前的脑部图像消失，同一张“方法”幻灯片上构建出新的布局。

2. 图示
   观察依据

   出现一个流程图：“脑部图像” → “模型” → $\mathrm{age}_{\mathrm{predicted}}$，以及公式$\mathrm{age}_{\mathrm{predicted}} - \mathrm{age}_{\mathrm{chronological}} = \mathrm{gap}$。

3. 字幕依据
   观察依据

   公式下方列出三篇参考文献，随后添加文字：“我们的目标：纵向研究这一差异；痴呆风险”。

1. 大脑图标

2. 模型框

3. 输出标签$\mathrm{age}_{\mathrm{predicted}}$

4. 差值公式

5. 参考文献列表

6. 目标要点

1. 幻灯片从解剖学示例过渡到抽象流程图。

2. 参考文献添加在公式下方。

3. 目标陈述出现在生物标志物动机之后。

1. 核心关系始终是定义该差值的减法公式。

此动画将先前的定性动机转化为正式的计算流程与研究目标。

1. 动画
   观察依据

   通用的“模型”框被一个更大的蓝色框取代，该框标注为“深度学习”，内含一幅神经网络示意图以及文字“特征提取 + 分类”。

2. 字幕依据
   观察依据

   下方文字由目标要点改为“鹿特丹研究数据（1990年至今）：受试者人数5337；新发痴呆症 +159。”

1. 神经网络示意图仅为示意性图示，并未指明层数或架构细节。

1. 深度学习框

2. 神经网络示意图

3. 数据集说明文字

4. 文献引用行

1. 抽象模型转变为具体的深度学习模块。

2. 目标要点被数据集信息和文献引用所取代。

1. 整体流程仍从脑部图像出发，经由$\mathrm{age}_{\mathrm{predicted}}$，再输入至间隙公式。

视觉更新明确了所采用的计算方法及用于实例化该框架的经验队列。

1. 图示
   观察依据

   幻灯片展示：脑部图像 → 深度学习 → 〔age^predicted〕，并附公式：〔age^predicted〕 - 〔age^chronological〕 = 〔gap〕。

2. 字幕依据
   观察依据

   左侧边栏可见代尔夫特理工大学（TU Delft）、伊拉斯谟医学中心（Erasmus MC）和BIGGR的标志。

1. 脑部图像

2. 深度学习模块

3. 〔age^{$\text{predicted}$}〕标签

4. 间隙方程

5. 鹿特丹研究数据要点

1. 静态幻灯片在切换至结果页前短暂显示。

1. 从图像到预测年龄的流程方向保持不变。

2. 该间隙公式在此时间段内持续可见。

此可视化图示确立了计算设定：一个深度学习模型将脑部图像映射为预测脑龄，而间隙则相对于实际年龄定义。

1. 图示
   观察依据

   散点图标题为‘实际年龄 vs 预测脑龄’，含红色散点及虚线对角线；标注 MAE = 4.45。

2. 声音
   观察依据

   主讲人解释坐标轴、红色散点、虚线以及性能指标。

1. 红色散点

2. 虚线对角线

3. 横轴：实际年龄（岁）

4. y轴：预测年龄（年）

5. 平均绝对误差标注

6. 图下方的指标项目符号

1. 一个指针先沿图表横向移动，再移向指标项目符号。

2. 约在41秒时，图下方现有指标下方新增一个Cox回归项目符号。

1. 解释过程中，坐标轴和整体散点分布保持不变。

2. 虚线恒等线作为完美预测的参考线，位置固定不变。

该图表直观展示预测年龄与实际年龄之间的一致性，而标注则量化了误差与可重复性。

1. 图示
   观察依据

   幻灯片右侧添加了按五分位数分组的Kaplan-Meier–Gap图，含五条彩色曲线及对应图例。

2. 声音
   观察依据

   主讲人介绍Kaplan-Meier图并解读各五分位数组间的分离情况。

1. 五条阶梯式生存曲线

2. 图例，标注五分位数组别

3. y轴：未患痴呆概率（—）

4. x轴：随访时间（年）

1. Kaplan-Meier 曲线图位于结果幻灯片右侧。

2. 指针在各条曲线与图例之间移动，同时讲解者对各组进行比较。

1. 所有曲线均从概率附近开始1 在时间0。

2. 在所展示的随访时间范围内，各五分位数组对应曲线的相对顺序保持一致。

类动画式的幻灯片切换引入生存可视化图，表明较低差距五分位数组随时间推移维持更高的未患痴呆概率。

1. 图示
   观察依据

   幻灯片由单张灰度脑图像切换为三张脑切片，标题为‘Grad-CAM 注意力图’，并配有高-低色阶条。

2. 声音
   观察依据

   讲解者指出，可视化技术可将结果回溯至原始图像，并提取注意力图。

1. 单张灰度脑图像

2. 三张脑部切片图

3. 暖色调激活叠加图

4. 低-高色阶条

5. 引用 Selvaraju 等人（2017）

1. 首先展示一张普通脑部图像。

2. 随后画面切换为三张重叠的注意力图切片。

3. 指示箭头在高亮区域上移动。

1. 一旦 Grad-CAM 图片出现，色阶条从低到高的方向始终保持不变。

2. 三切片布局在讲解过程中保持固定。

这一可视化序列说明了抽象模型输出如何被映射回解剖空间，从而揭示驱动预测结果的脑区。

1. 图示
   观察依据

   最后一张幻灯片标题为‘结论’，内容为：预测脑龄与实际年龄之间的差距，是一种与痴呆风险显著相关的生物标志物。

1. 结论部分标题

2. 单条要点陈述

1. 幻灯片从Grad-CAM热图切换为纯文本结论。

1. 结论出现后，不再添加任何进一步的数学内容。

结束页幻灯片重申核心推断性结论：脑龄差可作为显著的痴呆风险生物标志物。

1. 字幕依据
   观察依据

   一张标题为“结论”的演示文稿幻灯片，显示两条要点以总结研究成果，随后列出主讲人与指导教师信息。

1. 演示文稿幻灯片

2. 文字要点

3. 主讲人视频画面

1. 要点依次在幻灯片上出现

2. 致谢信息显示在幻灯片底部

1. 幻灯片标题始终保持为“结论”

2. 主讲人始终可见于右上角

该视觉结构将研究的最终要点进行组织，将核心科学发现与学术署名信息分隔开来。

1. 字幕依据
   观察依据

   幻灯片切换为黑色背景，中央显示大幅粉色文字“谢谢！”，以及“Medical Delta 青年论文奖2020”标志。

1. 黑色幻灯片背景

2. 粉色文字

3. 奖项标志

1. 背景由白色变为黑色

2. 文字变为“谢谢。”

1. 主讲人视频画面持续可见

标志着演讲正式结束。

1. 公式
   观察依据

   幻灯片区分了$\mathrm{age}_{\mathrm{predicted}}$与$\mathrm{age}_{\mathrm{chronological}}$，并将其差值定义为‘差距’。

2. 声音
   观察依据

   主讲人将‘预测的脑龄’与‘该人的实际日历年龄’进行对比。

人们可能将模型输出当作该人的真实年龄来对待。

在此片段中，$\mathrm{age}_{\mathrm{predicted}}$是从脑影像中通过模型推导出的量，而$\mathrm{age}_{\mathrm{chronological}}$是实际年龄；研究关注的科学信号正是二者的差值——即‘差距’。

1. 声音
   观察依据

   主讲人指出，该‘差距’‘或可作为生物标志物’，且本研究旨在探究其作为风险生物标志物的实用性。

2. 字幕依据
   观察依据

   幻灯片将主题界定为痴呆风险，而非确定性诊断。

人们可能仅凭‘生物标志物’一词就推断该差距能直接诊断痴呆。

该摘录将‘差距’呈现为一种候选风险生物标志物，其提出依据是既往群体分离的研究发现以及本研究的目标，而非在本片段中将其确立为已确认的诊断标准。

1. 声音
   观察依据

   主讲人首先描述正常衰老效应，随后明确补充道：‘然而，神经退行性疾病和痴呆也会影响脑结构。’

2. 图示
   观察依据

   幻灯片分别展示了不同年龄下的正常衰老状态，以及相同年龄75岁时的疾病状态。

有人可能将所有大脑结构差异都归结为单纯的“衰老”。

该片段区分了普通的年龄相关变化与额外的疾病相关改变，而这一区分正是研究预测脑龄与实际年龄之间差距的动因。

1. 公式
   观察依据

   幻灯片将差距定义为预测年龄^predicted 减去实际年龄^chronological，不取绝对值。

2. 声音
   观察依据

   后续分析将“差”的增大视为与更高痴呆风险相关。

有人可能误以为该差等同于平均绝对误差，或始终为非负数。

视频将‘差距’定义为有符号的差值：〔age^{$\text{predicted}$}〕－〔age^{$\text{chronological}$}〕；而平均绝对误差（MAE）是另一个非负的性能指标。生存分析关注的是差距本身，而非绝对误差。

1. 声音
   观察依据

   主讲人明确指出：风险比大于一表明，“差”的增大与痴呆发病概率升高相关。

读者可能错误地将 HR = 1.11 解读为具有保护作用或可忽略不计。

本视频展示的 Cox 模型中，HR > 1 表示较高的间隙值与更高的痴呆发病率相关；所报告的置信区间 [1.06, 1.15] 完全位于 1 之上。

1. 图示
   观察依据

   纵轴标注为“未患痴呆的概率（—）”，而非发病率。

2. 声音
   观察依据

   主讲人讨论的是未患痴呆的概率。

有人可能误以为这些曲线直接给出了痴呆病例数量。

图中绘制的量是随访期间保持未患痴呆状态的估计概率。曲线之间的差异反映的是按五分位数组分的生存概率，而非未经调整的病例数。

1. 声音
   观察依据

   主讲人将 Grad-CAM 描述为一种可视化反馈工具，用于将检测与追踪结果回溯至原始图像。

2. 图示
   观察依据

   热图表示模型关注强度，而非病灶负荷或因果病理。

Grad-CAM 中的亮区可能被误认为是这些脑区直接导致痴呆的确凿证据。

视频中，Grad-CAM 被用于解释深度学习模型在预测脑龄时所依赖的图像区域。这是一种模型可解释性工具，而非关于疾病机制的独立因果主张。

1. 声音
   观察依据

   讲述者从年龄相关与疾病相关的大脑变化实例，过渡到探讨能从一个人的大脑结构中获取哪些关于其年龄的信息。

2. 图示
   观察依据

   第一张方法幻灯片展示了解剖学对比；下一张幻灯片则将这些思想形式化为一个基于模型的预测流程。

从大脑结构估算年龄这一概念性需求，推动我们引入一个将脑影像映射为预测年龄的模型，该模型随后被用于差距定义中。

1. 公式
   观察依据

   差距公式需要$\mathrm{age}_{\mathrm{predicted}}$作为其中一项。

2. 图示
   观察依据

   流程图明确地将模型输出导向减法公式。

差距的定义在操作上依赖于首先通过模型获得预测脑龄。

1. 声音
   观察依据

   生物标志物讨论在公式引入之后，直接提及“这一差距”。

2. 字幕依据
   观察依据

   幻灯片要点先将该量命名为预测脑龄与实际年龄之间的差距，再讨论其用途。

生物标志物概念将先前定义的差距量应用于区分疾病相关群体及评估痴呆风险的问题中。

1. 声音
   观察依据

   主讲人说：“下一步，我们希望采用纵向方法来研究大脑衰老随时间的变化。”

2. 字幕依据
   观察依据

   幻灯片上补充写道：“我们的目标：针对脑龄差的纵向研究；痴呆症风险。”

所陈述的目标将横断面生物标志物的研究动机推广至纵向场景，即通过随时间追踪同一脑龄差来评估痴呆症风险。

1. 字幕依据
   观察依据

   幻灯片将目标条目替换为：“鹿特丹研究数据（1990年至今）：受试者人数5337；新发痴呆症病例+159。”

2. 声音
   观察依据

   主讲人指出，这些数据来自鹿特丹研究，并被用于模型的训练、验证与测试。

深度学习方法在示例中所述的鹿特丹研究数据集上得以实现。

1. 公式
   观察依据

   ‘Gap’（偏差）首先在‘方法’幻灯片中定义；随后在‘结果’幻灯片中报告平均绝对误差（MAE）和组内相关系数（ICC）。

这些性能指标用于比较预测脑龄与实际年龄，因此依赖于预测年龄的先前定义，以及开头引入的偏差框架。

1. 声音
   观察依据

   主讲人表示，他们采用Cox比例风险模型评估偏差与新发痴呆症之间的关联。

2. 公式
   观察依据

   前一张幻灯片明确给出了偏差的定义。

Cox分析将偏差作为其解释变量，因此偏差的定义必须先于生存建模步骤。

1. 声音
   观察依据

   在讨论完Cox模型后，主讲人补充道：“此外，我们还可展示Kaplan-Meier曲线图。”

2. 图示
   观察依据

   这两项分析均围绕痴呆症结局及偏差变量展开。

Kaplan-Meier图提供了对同一偏差相关痴呆症关联的互补性生存可视化呈现，而该关联已由Cox模型以数值形式进行了总结。

1. 图示
   观察依据

   ‘方法’幻灯片展示了深度学习模型输出预测年龄^predicted。

2. 声音
   观察依据

   主讲人表示：“由于我们采用了深度学习模型，因此可应用可视化技术，将结果回溯至原始图像，并获取注意力图。”

Grad-CAM解释方法以已训练深度学习模型的存在为前提——该模型生成了预测脑龄，从而也生成了偏差。

1. 公式
   观察依据

   偏差被定义为带符号的差值；平均绝对误差（MAE）则单独报告为$4.45 \pm 3.59$年。

差距是一个特定于学科的带符号特征，用于下游风险分析；而平均绝对误差（MAE）则是预测准确性的总体非负度量。

1. 声音
   观察依据

   主讲人明确将深度学习方法与可视化脑区的能力联系起来。

深度学习方法被用于生成预测的脑龄，进而据此计算间隙生物标志物〔gap biomarker〕。

1. 公式
   观察依据

   幻灯片直接展示了$\mathrm{age}_{\mathrm{predicted}} - \mathrm{age}_{\mathrm{chronological}} = \mathrm{gap}$。

1. 脑龄差距的定义

1. 声音
   观察依据

   主讲人指出，既往研究表明，该差值可区分病例组与对照组，且可能作为一项生物标志物。

1. 将脑龄差用作与痴呆相关的生物标志物
2. 既往研究发现：脑龄差可区分病例组与对照组
3. 将这一差距解释为一种潜在的生物标志物

1. 动画
   观察依据

   模型框变为一个标注为‘深度学习’的框，并附有神经网络示意图。

2. 声音
   观察依据

   主讲人表示，深度学习被用于构建一个模型，该模型以3D脑部图像为输入，预测个体年龄。

1. 用于从脑部影像预测年龄的深度学习模型
2. 从脑部图像到预测年龄，再到差值

1. 图示
   观察依据

   该幻灯片对比了不同年龄下的正常衰老过程，以及相同年龄下不同疾病状态的差异。

1. 年龄相关的大脑变化示例
2. 在固定实际年龄下，疾病相关的大脑变化示例

1. 字幕依据
   观察依据

   该幻灯片列出了鹿特丹研究中的5337名受试者和159例新发痴呆病例。

1. 本研究使用的数据集示例

1. 字幕依据
   观察依据

   该幻灯片指出：“我们的目标：纵向研究这一差距；痴呆风险。”

2. 声音
   观察依据

   主讲人表示，他们希望采用纵向方法来研究随时间推移的脑衰老过程。

1. 视频中陈述的研究目标
2. s0-rel-longitudinal-goal-extends-biomarker-idea

1. 公式
   观察依据

   幻灯片通过公式明确定义了差距。

1. 脑龄差的定义

1. 公式
   观察依据

   结果幻灯片列出了平均绝对误差（MAE）和组内相关系数（ICC）的数值。

2. 图示
   观察依据

   散点图对比了预测年龄与实际年龄。

1. 预测模型的性能指标

1. 公式
   观察依据

   Cox回归要点给出风险比1.11及置信区间1.06–1.15。

2. 声音
   观察依据

   主讲人将风险比大于1解释为：随着差距增大，罹患痴呆症的可能性升高。

1. Cox回归：差距变量与新发痴呆的关联

1. 图示
   观察依据

   Kaplan-Meier曲线图展示了按差距五分位数分组的无痴呆生存概率曲线。

2. 声音
   观察依据

   主讲人解释道：较低的五分位数组具有更高的无痴呆生存概率。

1. 按间隙值五分位数分层的Kaplan-Meier分析

1. 图示
   观察依据

   Grad-CAM 注意力图幻灯片，配以高-低色阶条。

2. 声音
   观察依据

   主讲人指出杏仁核与海马体尤为关键。

1. 用于模型解释的Grad-CAM注意力图

1. 公式
   观察依据

   视频片段中同时出现了带符号的差距公式与独立的平均绝对误差（MAE）指标。

1. 脑龄差的定义
2. 预测模型的性能指标