Тест на возраст мозга: Тест «Сколько лет Вашему мозгу»

Содержание

Тест на возраст мозга: увиденное на картинке расскажет интересные факты о вашем характере — Леди

Для того чтобы определить, на сколько лет чувствует себя ваш головной мозг, необходимо пройти простой тест по картинке. Он расскажет о вашем характере много интересного, уверяет Joinfo.com.

Посчитайте на картинке собак

Взгляните на это немного странное изображение, и посчитайте, сколько вы увидели на нем собак. Желательно верить первому ощущению и не разглядывать картинку в течение 10 минут. Так тест покажет более точный результат.

И ознакомьтесь с результатами

Если вы начитали 4 собаки, ваш умственный возраст составляет от 20 до 25 лет. Вы – творческий человек. Вас часто можно увидеть в музеях, галереях, на концертах и других развлекательных мероприятиях. Вы очень любите читать книги. Не важно, какой год рождения указан в вашем паспорте, вам удается сохранять здоровье мозга на отличном уровне, и этот факт положительно сказывается на вашем образе жизни.

Если вы видите 5 собак, вашему мозгу от 25 до 30 лет. Вы — воплощение простоты. Вам не нравится усложнять вещи: это касается и личной жизни, и работы, и даже питания. У вас немного друзей, но все они очень верные и преданные. Вы не любите рисковать, поэтому шансы попасть в неприятности у вас очень низкие.

Если вы видите 6 собак, вашему разуму от 30 до 40 лет. Вы немного старомодны и осторожны в общении, но при этом доверяете людям. Друзья часто обращаются к вам за советом, потому что считают вас зрелой, стабильной и состоявшейся личностью. Вы из тех людей, кого называют лидерами, которые не любят бывать в центре внимания.

Если вы видите 7 собак, вы — буквально ребенок. Вы очень наивный и добродушный человек, умеющий мечтать и радоваться даже самым незначительным мелочам. Существует большой риск того, что вас могут обмануть нечестные на руку люди. Будьте осторожнее, заводя новые знакомства!

Предлагаем вам пройти еще один интересный тест и выбрать,

что вы видите на картинке – рыбу или лодку. Он расскажет о сильных и слабых сторонах вашего характера.

Тест на возраст мозга — Пройдите онлайн

Что вы думаете о ситуациях, когда нужно действовать быстро, менять свои планы?

Лучший способ разбогатеть — это, по вашему:

Пробовать разное, где-то повезет

Много и усердно работать

Делать свою работу так, как того требуют

Как вы относитесь с новым технологиям и гаджетам?

Все ли в жизни можно контролировать?

Нет, но зато так интереснее

Нет, но нужно к этому стремиться

Да, нужно все держать под контролем

Какой подарок вы хотели бы получить на день рождения?

Обучающий курс или интересную книгу

Новый гаджет

Блокнот для записи дел

Какие качества вы цените в себе больше всего?

Открытость новому и любопытство

Рассудительность и спокойствие

Строгость и верность

Что вы будете делать, если наступит кризис среднего возраста?

Покрашу волосы в розовый. Должно помочь

Найду хорошего психолога

Со мной этого не случится

Насколько хорошо вы справляетесь со своими обязанностями?

Делаю, что требуется, а дальше занимаюсь своими делами

Составляю список дел. Если дело интересное, могу задержаться на нем

У меня четкий распорядок дня, я его придерживаюсь

Чего вы боитесь больше всего?

Слишком быстро повзрослеть

Потерять свое предназначение

Неуверенности в будущем

Что вы ждете от будущего?

Новых супер-технологий

Расширения прав и возможностей

Оно меня пугает

Детский мозг

У вас живой, веселый и любопытный ум, который всегда готов изучать что-то и приобретать новые навыки. Приключения у вас в крови, а энергичность и активность позволяют просто весело проводить время, не задумываясь над серьезными проблемами. Вас, словно ребенка, интересует все, что происходит вокруг и вы не хотите чувствовать себя взрослым! Понравился этот тест? Поделитесь им с друзьями!

Зрелый мозг

У вас активный, рассудительный ум, который всегда готов изучать и анализировать различные ситуации. Вы трезво смотрите на вещи и здраво рассуждаете, даже друзья и знакомые нередко обращаются к вам за советом. В вашей жизни нет места спонтанным поступкам и праздному любопытству, в ней все подчинено разуму и рассудку. Понравился этот тест? Поделитесь им с друзьями!

Старый мозг

У вас рассудительный и строгий ум, который не всегда готов идти на компромисс и искать небанальные пути решения различных задач. Вас пугает неожиданность и спонтанность, вы гораздо комфортнее чувствуете себя, когда ваша жизнь подчинена правилам и точному распорядку, за соблюдением которых необходимо следить. Понравился этот тест? Поделитесь им с друзьями!

Тест на возраст мозга: Протестируй свой мозг

  • Опубликовано:

Категория:

Логические
Описание: Данное приложение-тренажер позволит не только проверить, на сколько развит ваш мозг, но и тренировать и развивать его.
Цена: Бесплатно
Версия: 1.6.0
Русский интерфейс: Да
Технические требования: iOS 6.0 и старше
Особенности:
— Разные по сложности тесты
— Информативный результат
— Интеграция с социальными сетями
— Мотивирующие комментарии к результатам
Скачать: App Store
QR-код:

Хотели бы вы узнать уровень своего развития? Или вы настолько уверенны в себе, что и без этого знаете результат? Если вы относитесь к первой категории – установите приложение «Тест на возраст мозга». В нем вы будете проходить разные тесты, в основном на внимательность и краткосрочную память, после завершения которых вы не только потренируете области мозга, отвечающие за эти возможности, но и узнаете насколько он развит.

В основе программы, хоть она и является развлекательного характера и никаких точных результатов не выдает, лежат научно достоверные статистические факты о том, насколько задействован мозг у большинства людей разных возрастов, и с какими заданиями должен справляться быстрее, а над которыми нужно больше времени на раздумья. Именно по этим критериям и происходит расчет возраста мозга. Для большей точности тесты разделены на возрастные категории по сложности.

Оформление и графика в игре не очень впечатляют, но для своего жанра вполне себя оправдывают. В меню и выведении результатов картинка одинаковая, а во время выполнения теста — фон тетрадки. Вот и все оформление. Но такую вот простоту можно простить, списав все на научный стиль и нежелание отвлекать от теста.

Итак, после прохождения заданий, вам присвоится определенное количество баллов, которые в последствии обработаются программой и выведутся на экран в виде конкретной даты, вплоть до часов, которая покажет возраст вашего мозга. Конечно, в виду физиологических особенностей, условий игры, сложности теста и, в конце концов того, что игра делалась в качестве развлечения, результат может отличатся от действительности не то что на дни или месяцы, а на целые годы. Но общее представление о ваших способностях он все же даст, да и потренировать память можно во время заданий.

В результатах вы также сможете увидеть число в процентах, насколько ваш мозг был задействован во время прохождения задания, но это также неточная цифра. А также сможете прочитать краткий комментарий, обозначающий ваш уровень развития и стимулирующий к дальнейшему развитию.

Обсудить приложение в конференции.

Тест на Возраст Мозга на iPad — узнай насколько хорошо работает твой мозг

Ученые в один голос твердят, что развитие человеческого мозга происходит до 25 лет. Возникает вопрос: а что дальше? «Финита ля комедия» и неизбежная деградация? Абсолютно не хочется в это верить и мириться с такой не радужной перспективой.

В данной статье мы решили предложить решение в виде приложения под названием «Тест на возраст головного мозга», которое поможет сконцентрировать на «главном» и заставить работать серые клеточки. Разработчик — компания «Best Free Addictive Games Brain Game Factory». Отличным дополнением станет уже размещенный ранее обзор Einstein™ Тренировка для ума (Einstein™ Brain Trainer) и более свежий вариант «В уме».

(стартовое меню)


В школьные годы нас всех без исключения раздражало (а кого-то и в настоящий момент приводит в ярость) бестолковое заучивание наизусть стихотворений и отрывков из произведений, включенных в обязательную школьную программу. Так вот «Тест на возраст» — это не столь скучное и неинтересное занятие для развития краткосрочной памяти.

Задача данного виртуального теста заключается в (заметьте! в условном) определении возраста вашего головного мозга.

Прежде чем приступить непосредственно к прохождению самого теста, разработчики предлагают пройти тренировку. Это необходимо для того, чтобы понять схему работы и максимально сосредоточиться в момент настоящего тестирования.

(идет тестирование)


Суть метода: на экране вашего ipad появляются белые круги с различными цифрами. За отведенное время (а это ни много, ни мало) всего лишь несколько секунд необходимо запомнить их расположение в порядке возрастания цифр. После чего они исчезают за красной «заслонкой». Вам необходимо безошибочно восстановить расположение цифр от меньшего к большему.

Игроку дается три попытки. Если задание выполнено правильно, происходит переход на более высокий уровень, если нет, то надо пройти предыдущий уровень еще раз.

(результат тестирования)


На первых парах все максимально просто и успех гарантирован даже детям младшего школьного возраста. А вот начиная с 5-ого, начинается самое интересное. Количество кружков увеличивается, система расположения не поддается расшифровке и наступает паника. Результат — тест завершен. После окончания испытания на экране появится информация, отражающая реальный возраст вашего мозга.

Результаты каждого пройденного испытания фиксируются, складываясь в общую статистику игрока. Непревзойденными победами можно поделиться с друзьями через социальные сети, и, кто знает, возможно, именно вам выпадет шанс занять среди них почетное место лидера — человека с круто «прокаченным» мозгом.

(мой прогресс)


Данная программа считается эффективным тренажером для улучшения зрительного восприятия и развития краткосрочной памяти.

Плюсы: Все мы понимаем, что с каждым годом человек не молодеет, а становится старше. Жизненные удовольствия и трудности одинаково влияют как на ваше состояние, так и на состояние вашего мозга. «Тест на возраст мозга» — это возможность в легкой игровой форме с пользой определить, кто старше и сделать соответствующие выводы.
Минусы: Игрушка, конечно же, не лишена смысла, но тратить на нее все свободное время не будешь, уж слишком она однообразна. Один раз в день для тренировки более чем достаточно. Софт достаточно примитивен, хотелось бы какой-нибудь неожиданной и интересной изюминки. Да и графику не мешало бы вывести из состояния «скучного равновесия».
Выводы: Пройти тест на возраст мозга хотя бы один раз не помешает. Но вот тренироваться в течение продолжительного времени с данным приложением вы вряд ли будете.

⚡Быстрый тест, который покажет старение мозга❗

✅ Когда приходит старость, зачастую внимание и память ослабевают. Но как понять, что процессы старения мозга уже начались?

❎ Для этого не нужно определённой медицинской диагностики. Быстрый тест-пятиминутка на основе картинки даст вам ответ на этот вопрос.


Достаточно просто посмотреть на предложенную картинку и попытаться найти на ней бабочку, утку, летучую мышь, морковку и шарик. Да, все они есть на этой картинке.

Данный тест разработан учёными из Японии для определения старения и развития деменции. С помощью него легко определяются начальные признаки наступления старости, а также то, насколько активно работает ваш мозг.

Посмотрите внимательно на картинку ниже. Здесь помимо дружных детей, которые помогают папе построить конуру для собаки, научно спрятаны еще утка, бабочка, летучая мышь, воздушный шарик и морковка.

Сможете ли вы их найти ровно за 5 минут

А теперь к результатам теста:

1) Если вы нашли только шарик – это значит, что ваш мозг вступил на начальную стадию старения. Чтобы замедлить процесс, вам нужны тренировочные упражнения для активизации работы мозга и сбалансированная диета.

2) Если вы, помимо воздушного шарика, нашли бабочку и/или морковку, вам не о чем беспокоиться, ваш мозг функционирует нормально. Однако, возможно, возрастные изменения начинают вас менять. Вам нужны тренировочные упражнения на развитие памяти и внимания.

3) Если вы нашли еще и уточку, ваш мозг работает отлично!

4) Если вы нашли вообще всех, ваш мозг работает просто превосходно!!! Поздравляем вас!

5) Если вы не нашли ни одного спрятанного персонажа, это говорит о том, что ваш мозг вошёл в стадию активного старения. Но не стоит унывать и опускать руки, потому что вы ещё в силах все исправить и замедлить этот процесс.

Совет: для этого вам рекомендуется проходить тренировочные упражнения, направленные на активацию работы мозга и улучшение памяти. А ещё обратите внимание на питание. Сбалансированная диета не будет лишней.

А теперь пришло время раскрыть карты и показать вам, где же скрывались зашифрованные персонажи.

На картинке под стрелочкой вы сможете посмотреть правильные ответы.

Маскировка что надо! Согласны? Ну никто же не говорил, что будет легко! Порой нужно зреть в корень.

Делитесь своими результатами. Сколько персонажей вам удалось найти на картинке?

Как узнать возраст своего мозга? Пройди ТЕСТ!

«Определитель» возраста мозга — очень простой тест, который можно пройти буквально за несколько минут. Один из самых легких способов проверки. Хотите узнать как молод ваш мозг? Тогда вы пришли по адресу!

 

— Вы знаете свой возраст мозга, Екатерина? – спрашивает мама Лизы.

— Нет, — качаю головой и улыбаюсь. Слушаю про этот самый Интернетом порожденный «определитель». А по сердцу растекается знакомое тепло. Как же я люблю, когда искра развития передается от меня к ученикам. От них по цепочке к их родителям, братьям-сестрам, бабушкам – дедушкам и аквариумным рыбкам.

Обожаю, когда они приходят ко мне за детьми и совсем, как мама Лизы делятся находками, открытиями, достижениями. Радуюсь и встречаю с улыбкой внезапно врывающихся в мой дом пап со словами: «Так вот Вы какая! Екатерина Сергеевна! Давно хотел посмотреть, кто моему сыну такие задания дает!» (да, на папах обычно мамы с детьми и апробируют мои оригинальные задания. Ничего криминального! Честное слово). Слушаю рассказы бабушки про то, как внук ее от склероза спас, — принимаю баночку заветного малинового варенья в благодарность.

И, конечно, учусь. Учусь у моих учеников, а также их родителей. Сижу вот теперь по вечерам, воюю с компьютером и пытаюсь выбить у него двадцатку! 20 – это самый лучший показатель «возраста мозга» на сайте.

А то, как это так? Возраст моего мозга по результатам теста на 1 год больше, чем мой реальный биологический возраст!!! В этом месте рву на себе волосы! Не порядок!

— Хотите со мной? Пожалуйста! Определите возраст своего мозга на нашем сайте! Тест так и называется: «Определитель возраста мозга». Успехов!

С уважением,
тренер по развитию памяти и скорочтению
Екатерина Додонова

Инструкция: Как правильно проверить возраст мозга!

Внизу страницы нажмите заголовок NEXT. Иероглифы пусть вас не смущают. Когда появится новый экран, у вас будет возможность отключить или оставить звук. В принципе при прохождении текста он не мешает. Как только нажмете на слово START – начнется тест. Концентрируйтесь как следует на выполнении задачи, не отвлекайтесь ни на секунду от экрана! За какую-то секунду вам придется запомнить появляющиеся на экране цифры. Они будут возникать хаотично, так что задача эта не из легких. Итак, цифры появились и пропали.

Ваша задача, нажимая на белые кружки восстановить их в порядке увеличение. Например, вам показали за секунду цифры 0, 6, 3, 9. Затем цифры пропали и на их месте остались пустые кружки. Нажимаем на тот из них, на котором была нарисована наименьшая цифра – 0. Затем – 3, 6, 9. Нужно выдержать всего десять раундов, и система подсчитает возраст вашего мозга. Недовольны результатом? Нажмите слово REPLAY после тестирования. Но вряд ли показатель удастся улучшить за одну секунду. Для этого придется как следует позаниматься.

Стоит отметить, что с каждым уровнем тестирования сложность немного увеличивается. После 3-х цифр вам предложат запомнить 4, затем – 5… Разумеется, сколько бы лет вам ни было – лучше иметь самый молодой мозг. В этом тестировании это 20. Хотите даже на пенсии мыслить также живо, как думают двадцатилетние люди? Не забывайте тренировать мозг!

«Определитель возраста мозга»
Похожие статьи

 


Please enable JavaScript to view the comments powered by Disqus.

Перфузия головного мозга, когнитивные функции и сосудистый возраст у пациентов среднего возраста с эссенциальной артериальной гипертензией | Парфенов

1. Nilsson P. M., Boutouyrie P., Laurent S. Vascular aging: a tale of EVA and ADAM in cardiovascular risk assessment and prevention. Hypertension 2009; 54: 3-10. DOI: 10.1161/HYPERTENSIONAHA.109.129114

2. Карпов Ю. А., Сорокин Е. В. Оценка риска осложнений при артериальной гипертонии и сосудистый возраст: новые инструменты для повышения качества лечения и улучшения взаимопонимания врача и больного. Атмосфера. Новости кардиологии 2015; 2: 18-24

3. Groenewegen K. A., den Ruijter H. M., Pasterkamp G. et al. Vascular age to determine cardiovascular disease risk: A systematic review of its concepts, definitions, and clinical applications. European Journal of Preventive Cardiology 2016; 23 (3): 264-274. DOI: 10.1177/2047487314566999

4. Cuende J. I., Cuende N., Calaveras-Lagartos J. How to calculate vascular age with the SCORE project scales: a new method of cardiovascular risk evaluation. European Heart Journal 2010; 31 (19): 2351-2358. DOI: 10.1093/eurheartj/ehq205

5. DAgostino R. B., Vasan R. S., Pencina M.J. et al. General cardiovascular risk profile for use in primary care. Circulation 2008; 117 (6): 743-753. DOI: 10.1161/CIRCULATIONAHA.107.699579

6. Stein J. H., Fraizer M., Aeschlimann S. E. et al. Vascular age: Integrating carotid intima-media thickness measurements with global coronary risk assessment. Clinical Cardiology 2004; 27 (7): 388-392.

7. Протасов К. В., Cинкевич Д. А., Федоришина О. В., Дзизинский А. А. Сосудистый возраст как интегральный показатель ремоделирования сердца и сосудов у больных артериальной гипертензией. Сибирский медицинский журнал (Иркутск) 2011; 105 (6): 37-40

8. Mancia G., Fagard R., Narkiewicz K. et al. 2013 ESH/ESC Guidelines for the management of arterial hypertension. The Task Force for the management of arterial hypertension of the European Society of Hypertension (ESH) and of the European Society of Cardiology (ESC). J. Hypertension 2013; 31: 1281-1357. DOI: 10.1093/eurheartj/eht151

9. Пронин И. Н., Фадеева Л. М., Подопригора А. Е. и др. Спиновое маркирование артериальной крови (ASL) — метод визуализации и оценки мозгового кровотока. Лучевая диагностика и терапия 2012; 3 (3): 64-78

10. Nasreddine Z. S., Phillips N. A., Bedirian V. et al. The Montreal cognitive assessment, MoCA: a brief screening tool for mild cognitive impairment. J. Am Geriatr Soc 2005; 53: 695-699. DOI: 10.1111/ j.1532-5415.2005.53221.x

11. Nasreddine Z. MoCA Russian version, 2010. Available from: http://www.mocatest.org/wp-content/uploads/2015 /tests-instructions/MoCA-Test-Russian_2010.pdf

12. Morris J. C., Heyman A., Mohs R. C. et al. The Consortium to Establish a Registry for Alzheimer’s Disease (CERAD). Part I. Clinical and neuropsychological assessment of Alzheimer’s disease. Neurology 1989; 39: 1159-1165.

13. Парфенов В. А., Захаров В. В., Преображенская И. С. Когнитивные расстройства. М., 2014, 192 с

14. Reitan R. Validity of the Trail Making Test as an indicator of organic brain damage. Percept Mot Skills 1958; 8: 271-276.

15. MacLeod C. M. Half a century of research on the Stroop effect: An integrative review. Psychol Bull 1991; 109 (2): 163-203.

16. Nilsson P. M. Genetic and environmental determinants of early vascular ageing (EVA). Current vascular pharmacology 2012; 10 (6): 700-701. DOI: 10.2174/157016112803520981

17. Zhang Y., Lelong H., Kretz S. et al. Characteristics and Future Cardiovascular Risk of Patients With Not-At-Goal Hypertension in General Practice in France: The AVANT’ AGE Study. The Journal of Clinical Hypertension 2013; 15 (4): 291-295. DOI: 10.1111/jch.12082

18. Диагностика и лечение артериальной гипертензии. Российские рекомендации (четвертый пересмотр). Системные гипертензии 2010; 3: 5-26

19. Солсо Р. Когнитивная психология. 6-е изд. СПб.: Питер 2015; 592 с.

20. Алфимова М. В. Семантическая вербальная беглость: нормативные данные и особенности выполнения задания больными шизофренией. Социальная и клиническая психиатрия 2010; 20 (3): 20-25

21. Ostrosky-Solis F., Gutierrez A. L., Flores M. R., Ardila A. Same or different? Semantic verbal fluency across Spanish-speakers from different countries. Arch Clin Neuropsychol 2007; 22: 367-377. DOI: 10.1016/j. acn. 2007.01.011

22. Парфенов В. А., Старчина Ю. А. Когнитивные нарушения у пациентов с артериальной гипертензией и их лечение. Неврология, нейропсихиатрия, психосоматика 2011; 3 (1): 27-33

23. Reitz C., Tang М. Х., Manly J. et al. Hypertension and the Risk of Mild Cognitive Impairment. Arch Neurol 2007; 64 (12): 1734-1740. DOI: 10.1001/archneur. 64.12.1734

24. Gifford K. A., Badaracco M., Liu D. et al. Blood Pressure and Cognition Among Older Adults: A Meta-Analysis. Archives of Clinical Neuropsychology 2013; 28 (7): 649-664. DOI: 10.1093/arclin/act046

25. Sierra С., de la Sierra A., Salamero M. et al. Silent Cerebral White Matter Lesions and Cognitive Function in Middle-Aged Essential Hypertensive Patients. Am J. Hypertens 2004; 17: 529-534. DOI: 10.1016/j.amjhyper. 2004.02.014

26. Sierra C. and Coca A. White Matter Lesions and Cognitive Impairment as Silent Cerebral Disease in Hypertension. The Scientific World Journal 2006; 6: 494-501. DOI: 10.1100/tsw.2006.99

27. Wang T., Li Y., Guo X. et al. Reduced perfusion in normal-appearing white matter in mild to moderate hypertension as revealed by 3D pseudocontinuous arterial spin labeling. J. Magn Reson Imaging 2016; 43 (3): 635-643. DOI: 10.1002/jmri.25023

28. Pantoni L. Cerebral small vessel disease. Lancet. Neurology 2010; 9: 689-701. DOI: 10.1016/S1474-4422 (10) 70104-6.

29. Guyton А. С., Hall J. E. Textbook of medical physiology 11th ed. Elsevier 2006; 761p.

30. Ostrow P. T., Miller L. L. Pathology of small artery disease. Adv Neurol 1993; 62: 93-125.

31. Левин О. С. Патология белого вещества при дисциркуляторной энцефалопатии: диагностические и терапевтические аспекты. Трудный пациент 2011; 9 (12): 16-23

32. Дамулин И. В., Парфенов В. А., Скоромец А. А., Яхно Н. Н. Нарушения кровообращения в головном и спинном мозге. В. кн. Болезни нервной системы. Руководство для врачей. М.: Медицина 2005; 231-302

33. Ungvari Z., Kaley G., de Cabo R. et al. Mechanisms of vascular aging: new perspectives. The Journals of Gerontology Series A: Biological Sciences and Medical Sciences 2010; 65 (10): 1028-1041. DOI: 10.1093/gerona/glq113

34. Csiszar A., Tarantini S., Fülöp G. A. et al. Hypertension impairs neurovascular coupling and promotes microvascular injury: role in exacerbation of Alzheimer’s disease. Geroscience 2017; 39 (4): 359-372. DOI: 10.1007/s11357-017-9991-9.

35. Brown W. R., Moody D. M., Thore C. R. et al. Vascular dementia in leukoaraiosis may be a consequence of capillary loss not only in the lesions, but in normal-appearing white matter and cortex as well. J. Neurol Sci 2007; 257 (1-2): 62-66. DOI: 10.1016/j.jns.2007.01.015

36. Riddle D. R., Sonntag W. E., Lichtenwalner R. J. Microvascular plasticity in aging. Ageing research reviews 2003; 2 (2): 149-168. DOI: 10.1016/S1568-1637(02)00064-8

37. Rivard A., Fabre J. E., Silver M. et al. Age-dependent impairment of angiogenesis. Circulation 1999; 99 (1): 111-120. DOI: 10.1161/01.CIR. 99.1.111

Какой возраст ВАШЕГО мозга? Пройдите этот тест, чтобы узнать и узнать, как избавиться от лет

Каждая новая морщина показывает, как наша кожа стареет, а наши скрипучие суставы и утолщение талии рассказывают ту же историю о скорости старения нашего тела.

А как же наш мозг? То, что происходит в наших головах с возрастом, гораздо менее очевидно.

В то время как многим из нас знакомо ощущение того, что с годами мы теряем проницательность или медленнее обрабатываем информацию, врачи традиционно сталкивались с трудностями при оценке скорости старения нашего мозга.

Но это может скоро измениться, поскольку Общественное здравоохранение Англии разрабатывает новый инструмент для расчета «возраста мозга».

Прокрутите вниз, чтобы увидеть видео

Общественное здравоохранение Англии разрабатывает новый инструмент для расчета «возраста мозга» людей. Он будет рассматривать информацию, включая вес, уровни физических упражнений, уровень холестерина и потребление алкоголя.

Он будет рассматривать такую ​​информацию, как вес, уровни физических упражнений, уровень холестерина и алкоголя, поскольку эксперты все больше осознают эти факторы образа жизни — от того, насколько вы общаетесь, до того, как количество часов, которые вы спите каждую ночь, может повлиять на работу нашего мозга, а также на риск развития определенных форм деменции.

Эти факторы могут определять, сколько клеток мозга мы теряем и как быстро, поскольку с возрастом наш мозг буквально начинает сокращаться, поскольку мы теряем все больше и больше клеток мозга.

«Чем старше мы становимся, тем быстрее теряются эти клетки мозга», — сказал д-р Стюарт Ричи, научный сотрудник Центра когнитивного старения и когнитивной эпидемиологии Эдинбургского университета.

«Это приводит к уменьшению размера мозга, и теперь мы знаем, что это уменьшение связано с потерей когнитивных способностей.’

Сотни соединений между каждой из этих ячеек, которые помогают передавать информацию, также начинают разваливаться.

«Мозг, как и любая другая часть вашего тела, может изнашиваться с возрастом», — сказал профессор Майкл Сваш, заслуженный профессор неврологии Лондонского университета королевы Марии.

«После 60 у всех нас будут возрастные изменения в мозге.

Среди факторов, определяющих возраст мозга, является то, спит ли человек от семи до восьми часов (или больше) каждую ночь.

«Для некоторых эти изменения наступят раньше, а для некоторых — позже.

«У некоторых людей даже есть генетика, которая защищает их от практически любых изменений».

Тем не менее, разрабатываемый новый тест на основе образа жизни показывает, что роль играет не только генетика; то же самое и с вашим образом жизни.

Итак, как поживает ваш стареющий мозг и какое будущее его ждет?

Пройдите тест ниже, который был разработан доктором Винсентом Фортанассе, клиническим профессором неврологии в Университете Южной Калифорнии, чтобы узнать «настоящий» возраст вашего мозга — и увидеть, как ваш образ жизни может ускорить снижение когнитивных функций…

ОТВЕТЬТЕ ЛИБО «ВЕРНО» ИЛИ «ЛОЖНО» НА СЛЕДУЮЩИЕ УКАЗАНИЯ:

1. Я сплю от семи до восьми часов (или больше) каждую ночь.

2. Я ем не менее пяти или более порций фруктов и овощей с высоким содержанием антиоксидантов.

3. Я съедаю хотя бы одну порцию черники, малины или ежевики в день.

4. Я ем запеченную или жареную рыбу с высоким содержанием омега-3 жирных кислот не менее трех раз в неделю.

5. Я принимаю добавки рыбьего жира с высоким содержанием омега-3 жирных кислот или добавки из льняного семени не менее пяти раз в неделю.

6. Я принимаю добавки фолиевой кислоты и ежедневно принимаю поливитамины.

7. Я ежедневно принимаю низкие дозы аспирина.

8. Я пью красное вино или виноградный сок не менее пяти раз в неделю.

9. Я тренируюсь большую часть дней в неделю не менее 30 минут каждый раз (в общей сложности три часа или более напряженных упражнений в неделю).

10. Я читаю сложные книги, разгадываю кроссворды или судоку или занимаюсь деятельностью, требующей активного обучения, запоминания, вычислений, анализа и решения проблем не менее пяти раз в неделю.

11. У меня есть «гены долголетия» в моей семье, члены которой дожили до 80 лет и старше без потери памяти.

В ходе викторины задается вопрос, ест ли человек по крайней мере пять или более порций фруктов и овощей каждый день.

12. Мой общий холестерин ниже 5,2 ммоль / л.

13. Мой уровень холестерина ЛПНП («плохой») ниже 3,3 ммоль / л.

14. Я не страдаю ожирением (избыточный вес менее 1,4 для женщин; избыточный вес менее 2,1 для мужчин).

15.Я придерживаюсь средиземноморской диеты — с высоким содержанием фруктов, овощей, цельного зерна, бобов, орехов и семян, с оливковым маслом как источником жира и небольшим количеством красного мяса.

16. Вместо масла и маргарина я использую оливковое масло и не использую трансжирные пасты.

17. Я никогда не курил сигареты.

18. У меня нормальное давление.

19. У меня нет диабета.

20. У меня нет метаболического синдрома (высокий уровень триглицеридов, центральное ожирение и гипертония), также называемого синдромом инсулинорезистентности.

21. У меня нет нарушений сна, таких как храп, обструктивное апноэ во сне или нелеченная бессонница.

22. Ежедневный неконтролируемый стресс для меня не проблема.

23. У меня сильная группа поддержки, и мне нравится много заниматься с друзьями, коллегами и членами семьи.

24. У меня нет проблем с кратковременной и долговременной памятью.

25. Я готов предотвратить болезнь Альцгеймера и готов сделать все возможное.

И тех, кто принимает участие в викторине, спрашивают, пьют ли они красное вино или виноградный сок пять раз в неделю.

СЕЙЧАС ДОБАВЬТЕ СКОЛЬКО ВОПРОСОВ, НА КОТОРЫЕ ВЫ ОТВЕТИЛИ «ВЕРНО»… И ПОСМОТРЕТЬ, ЧТО ОЗНАЧАЮТ ВАШИ ОЦЕНКИ:


0-11: У вас высокий риск болезни Альцгеймера. Добавьте 10 лет к своему хронологическому возрасту, чтобы получить реальный возраст мозга. Прямо сейчас позвоните своему врачу и открыто поговорите о своих проблемах со здоровьем. Спросите, делаете ли вы все возможное, чтобы справиться с этими проблемами.

12–14: у вас умеренный риск болезни Альцгеймера. Добавьте пять лет к своему хронологическому возрасту для вашего настоящего возраста мозга. Хотя между вашим реальным возрастом мозга и хронологическим возрастом не так много разницы, вам необходимо понимать риски, которые увеличивают вероятность болезни Альцгеймера.

15-19: ОК. Ваш реальный возраст мозга совпадает с вашим хронологическим возрастом. Тем не менее, у вас умеренный риск болезни Альцгеймера, поэтому обратите внимание. Внимательно просмотрите тест, чтобы увидеть, какие изменения вам нужно внести в свой рацион, упражнения, умственную стимуляцию или отдых и расслабление.

20-22: Неплохо! Вычтите десять лет из своего хронологического возраста, чтобы получить настоящий возраст мозга. Вы много делаете, чтобы заботиться о своем физическом и психическом здоровье. Отметьте конкретные вопросы, которые вы отметили как «Неверно», и обязательно обратите внимание на изменения, которые вам необходимо внести.

23-25: Поздравляю, вы хорошо стареете! Вычтите 15 лет из своего хронологического возраста для получения настоящего возраста мозга. В настоящее время вы здоровы, у вас молодой и продуктивный ум. Если в вашей жизни ничего не изменится, риск болезни Альцгеймера будет чрезвычайно низким.

Очень важно просмотреть тест и обвести любые утверждения, указывающие на необходимость работы. Поговорите со своим терапевтом о факторах риска, чтобы узнать, показано ли лечение.

Наличие старших родственников, которым исполнилось 80 лет, но не страдающих потерей памяти, может повысить возраст мозга человека, согласно тесту

СЕЙЧАС… ОТКРОЙТЕ УМКИ, ЧТОБЫ СОХРАНИТЬ МОЗГ МОЛОДЫМ

РАБОТАЙТЕ ДЛЯ ТЕЛА

Раньше говорили, что «Используй или теряй» — это единственный способ сохранить свой мозг молодым.

И, похоже, в этом есть доля правды. Люди, которые бросают вызов своему мозгу, разгадывая кроссворды или судоку или осваивая новый навык, например язык, могут помочь снизить скорость старения своего мозга, хотя и лишь в небольшой степени.

Что еще лучше работает, так это иметь подтянутую фигуру.Исследования показывают, что физическая форма также помогает поддерживать мозг в тонусе. Было доказано, что даже умеренная ходьба в течение 30-35 минут в день помогает снизить скорость стареющего мозга.

И идея, что вы есть то, что вы едите, применима как к вашему мозгу, так и к вашему телу.

Средиземноморская диета с высоким содержанием фруктов и овощей и с низким содержанием мяса и насыщенных жиров может иметь защитный эффект. Это потому, что антиоксиданты, содержащиеся во фруктах и ​​овощах, могут помочь предотвратить нормальное повреждение клеток мозга.Некоторые эксперты считают, что употребление жирной рыбы, богатой маслами омега-3, также может помочь уменьшить воспаление в головном мозге, которое может вызвать повреждение клеток мозга, хотя исследования не дали окончательных результатов.

Отказ от курения положительно влияет на возраст мозга.

ВЫПОЛНЯЙТЕ БОЛЬШЕ СНА

Недостаток сна также ведет к старению мозга. Недавнее исследование показало, что люди, которые работают в ночную смену в течение десяти лет, состаривают свой мозг примерно на шесть с половиной лет.Считается, что недостаток сна может ускорить гибель клеток мозга.

Плохое питание также может иметь эффект старения. Исследования показали, что всего лишь неделя употребления нездоровой пищи может привести к проблемам с памятью.

УДАРАЙТЕ ПЛОХИЕ ПРИВЫЧКИ МОЗГА

То, что плохо для вашего тела, обычно плохо для вашего мозга. Курение, избыточный вес, высокое кровяное давление или повышенный уровень холестерина, скорее всего, ускорят старение вашего мозга. Это потому, что все это влияет на здоровье кровеносных сосудов в вашем теле — и кровеносных сосудов в вашем мозгу.Мозгу необходим хороший кровоток, и даже крошечное микрокровотечение может привести к гибели клеток.

ИМЕТЬ ХОРОШУЮ СОЦИАЛЬНУЮ ЖИЗНЬ

Самый простой способ сохранить ментальную молодость — это общаться с другими. Люди, которые остаются «социально вовлеченными», похоже, сокращают скорость старения своего мозга.

«Это имеет значение — небольшое, но тем не менее, — говорит д-р Стюарт Ричи.

Исследования показывают, что люди с хорошей социальной жизнью лучше справляются с когнитивными тестами с возрастом.Исследования даже показали, что участие в сильной сети может уменьшить воздействие болезни Альцгеймера.

Социально активные взрослые тоже получают более здоровые снимки мозга, возможно, потому, что взаимодействие с другими людьми стимулирует части мозга, участвующие в планировании и принятии решений.

Тест направлен на прогнозирование риска развития у человека болезни Альцгеймера, изображенного выше на снимках МРТ.

РАССЛАБЛЯЙТЕСЬ, НЕ ПЕРЕГРУЖАЙТЕ ЭТО

В то время как стимуляция полезна для мозга, слишком большая нагрузка или слишком большая рабочая нагрузка могут нанести вред , поскольку стресс оказывает прямое влияние на работу мозга.

Исследования показали, что стресс вреден для клеток мозга и может нарушить когнитивные процессы, такие как обучение.

Область мозга, называемая гиппокампом, где формируются воспоминания, может быть ослаблена хроническим стрессом, в то время как высокий уровень гормона стресса кортизона оказывает разрушающее действие. Это может ускорить потерю кратковременной памяти у пожилых людей и изнашивать части мозга, важные для хранения и обработки памяти. Некоторые исследования даже предполагают, что стресс может ускорить начало болезни Альцгеймера.

Йога, упражнения и медитация помогают снизить стресс и тем самым уменьшить его негативное влияние на наш мозг.

Тест, проведенный 8 мая, Прогноз здоровья мозга в пожилом возрасте

Автор: Эми Нортон
HealthDay Reporter

СРЕДА, 30 октября 2019 г. (Новости HealthDay) — Если вы умели говорить и головоломки в 8 лет, вы, вероятно, хорошо справитесь с тестами на остроту ума и в 70 лет.

Это один из результатов нового исследования мыслительных способностей группы британцев, родившихся в 1940-х годах.Исследователи обнаружили, что их результативность в стандартных когнитивных тестах в возрасте 8 лет предсказывала их результаты в возрасте около 70 лет. Люди, которые в детстве набирали верхнюю четверть, скорее всего, остались в этой группе в дальнейшей жизни.

«Познание» относится к нашей способности обращать внимание, обрабатывать информацию, запоминать вещи, рассуждать и решать проблемы.

И неудивительно, что, по мнению экспертов, существует взаимосвязь между навыками детства и взрослости.

Однако никто не говорит, что судьба вашего мозга и здоровья определяется в детстве, по словам старшего научного сотрудника Др.Джонатан Шотт, профессор неврологии Лондонского университетского колледжа.

В этом исследовании, например, образование также имело значение. Пожилые люди, которые пошли дальше в своем формальном образовании, как правило, получали более высокие баллы, независимо от их результатов тестов в детстве.

Продолжение

Ряд прошлых исследований связали более высокий уровень образования с более низким риском деменции. И новые результаты подтверждают эти доказательства, сказала Ребекка Эдельмайер, директор по научным исследованиям в Ассоциации Альцгеймера.

«Это действительно уникально — иметь такие данные, полученные от когорты, за которой наблюдали в течение 60 лет», — сказал Эдельмайер, не принимавший участия в исследовании.

Почему образование имеет значение для снижения риска деменции? Точно не известно, но доктор Глен Финни, сотрудник Американской академии неврологии, объяснил теорию «когнитивного резерва»: деменция характеризуется накоплением аномальных белков, известных как «бляшки» и «клубки». У более образованных людей мозг может быть лучше оборудован для компенсации такого ущерба, позволяя ему нормально функционировать в течение более длительного периода.

Также считается, что умственное вовлечение в более позднюю жизнь может иметь аналогичные преимущества. Это может означать «бросить вызов самому себе, чтобы изучить что-то совершенно новое» — например, изучение музыкального инструмента или иностранного языка, — сказал Финни, который руководит Программой памяти и познания Geisinger Health System в Уилкс-Барре, штат Пенсильвания. Он также не был участником программы изучать.

Продолжение

Помимо образования, Финни отметил, что существует масса доказательств того, что другие факторы образа жизни важны для здорового старения мозга.Он сказал, что контроль артериального давления — это одно из них.

Финни указал на недавнее клиническое исследование, в котором было обнаружено, что интенсивное лечение высокого кровяного давления снижает риск развития легких когнитивных нарушений у пожилых людей.

Это относится к более тонким проблемам с памятью и мышлением, которые могут предшествовать слабоумию.

В целом, те же самые вещи, которые защищают сердце — упражнения, контроль холестерина и сахара в крови и здоровое питание — также считаются полезными для мозга, сказал Эдельмайер.

«Мы просто еще не знаем, какой лучший рецепт для снижения риска [деменции]», — сказала она.

Текущие результаты были опубликованы в Интернете 30 октября в журнале Neurology . Они основаны на опросе более 500 взрослых людей из Великобритании, родившихся в 1946 году. Когда им было 8 лет, они прошли тесты на понимание прочитанного и другие навыки. Когда им было около 70 лет, их проверили на такие навыки, как память и обработка информации.

Продолжение

Они также прошли ПЭТ-сканирование для выявления любых скоплений бляшек в головном мозге.

Оказалось, что среди участников, которые тестировали «когнитивно нормально», около 18% действительно имели признаки бляшек в мозгу. И в среднем их результаты тестов были ниже, чем у участников без признаков бляшек.

Это не означает, что этим людям суждено заболеть слабоумием, отметил Эдельмайер.

Однако, по словам Шотта, полученные данные подтверждают растущее мнение исследователей.

Заслуживает внимания тот факт, что бляшки оказывают незначительное влияние на умственную деятельность даже у людей без симптомов.Это «дает больше доказательств в пользу растущего мнения о том, что когда становятся доступными методы лечения, модифицирующие болезнь, они могут иметь максимальную пользу при очень раннем назначении — и в идеале до появления симптомов», — сказал Шотт.

Как это сделать? В будущем, сказал Эдельмайер, можно будет использовать определенные биологические «маркеры» — такие как бляшки, видимые при сканировании мозга, — для идентификации людей, которые находятся на пути к деменции.

«Но мы еще не достигли цели», — подчеркнула она. «Предстоит сделать много работы.»

По данным Ассоциации Альцгеймера, 5,8 миллиона американцев живут с болезнью Альцгеймера — ожидается, что к 2050 году это число вырастет почти до 14 миллионов.

Nintendo DS Brain Training Game

Что такое возраст мозга?

Brain Age: Concentration Training — игра для Nintendo 3DS, в которой используются математические и логические упражнения для тренировки рабочей памяти и подвижного интеллекта — способности реагировать на новые ситуации и решать проблемы в данный момент.

Brain Age впервые представила игры для тренировки мозга в 2005 году с Brain Age и Brain Age 2, обе для Nintendo DS.В последней версии используется новая стратегия «Дьявольское обучение», которая утверждает, что улучшает работу мозга и повышает концентрацию внимания.

Как работает Brain Age?

Nintendo рекомендует тренироваться в течение пяти или более минут каждый день, используя один или несколько из восьми основных типов игр: Devilish Calculations, Devilish Pairs, Devilish Mice, Devilish Reading, Devilish Shapes, Devilish Blocks, Devilish Cups и Devilish Listening. В упражнении One Devilish Pairs пользователям предлагается перевернуть открытые карты, чтобы найти пары с одинаковыми номерами от 1 до 90.

Пользователи могут играть в каждый тип игр только один раз в день, чтобы избежать перетренированности. Уровни сложности меняются в реальном времени на основе правильных и неправильных ответов.

Включены различные дополнительные игры, некоторые из предыдущих версий Brain Age, которые варьируются от скоростных тренировок по математике и письму до маджонга и карточных игр. Также есть режим релаксации с музыкой и играми в подборку цветов, предназначенными для отдыха ума после тренировки.

Игроки могут взаимодействовать и соревноваться с другими пользователями, которые находятся в непосредственной близости.Игроки получают сертификаты и награды за тренировки несколько дней подряд или за установление новых рекордов.

Для кого предназначен Brain Age?

Совет по развлекательному программному обеспечению оценивает Brain Age: Concentration Training E для всех. Родители должны ограничить режим 3D для детей младше шести лет.

Сколько стоит Brain Age?

Рекомендованная производителем розничная цена Brain Age: Concentration Training составляет 29,99 долларов США. Фактические цены в магазине могут отличаться. У игроков должна быть портативная консоль Nintendo 3DS (199 долларов США.99) играть.

Какие исследования были проведены по возрасту мозга?

Программы когнитивной тренировки «Возраст мозга» и «Возраст мозга 2» были основаны на книге нейробиологов доктора Рюты Кавашимы, посвященной головоломкам и математическим упражнениям 2003 года. Два небольших исследования, проведенных Кавасимой и его коллегами, пришли к выводу, что люди, которые играли в Brain Age, испытали большее улучшение скорости обработки и исполнительной функции по сравнению с людьми, которые играли в тетрис в течение того же периода. Исследования не зафиксировали улучшения внимания, памяти или когнитивного статуса.

На сайте Brain Age: Concentration Training Nintendo описывает сравнение тестов МРТ (магнитно-резонансной томографии) до и после тренировки с Brain Age. Эти тесты показали, что объем коры головного мозга, части мозга, связанной с интеллектом, увеличился в течение двух месяцев регулярного использования игр. На исследование нет ссылок, но эти изображения могут относиться к работе Такеучи по тренировке рабочей памяти.

В 2014 году группа исследователей собрала и оценила результаты научных исследований по различным программам тренировки мозга, включая Brain Age.Было обнаружено, что, хотя есть некоторые свидетельства того, что Brain Age может улучшить познавательные способности при выполнении игровых упражнений, в большинстве исследований не анализировалось, можно ли применить эти преимущества в реальной жизни вне игры.

Многие исследователи продолжают спорить о способности игр для тренировки мозга значительно улучшать когнитивные способности.

Где я могу узнать больше о Brain Age?

Узнайте больше на сайте brainage.nintendo.com.

Источники:

https: // www.additudemag.com/adhd/article/11595.html
https://brainage.nintendo.com/
http://iwataasks.nintendo.com/interviews/#/3ds/brain-age/0/0
http://journals.sagepub.com/doi/full/10.1177/1529100616661983
https://www.additudemag.com/adhdblogs/19/12176.html

Тест

диагностирует деменцию во время сна путем определения возраста вашего мозга

Исследователи из Гарварда открыли новый диагностический маркер деменции для выявления недиагностированных пациентов или тех, кто подвергается наибольшему риску развития нейродегенеративного состояния.

Диагностическая модель, называемая индексом возраста мозга (BAI), основана на искусственном интеллекте и генерирует данные, основанные на разнице между хронологическим возрастом человека и биологическим возрастом мозга. Данные, используемые алгоритмом, основаны на измерениях активности мозга, выполненных с помощью электроэнцефалограммы или ЭЭГ, когда человек крепко спит. Чем выше BAI, тем быстрее стареет мозг и тем выше вероятность деменции.

М. Брэндон Вестовер, старший автор публикации, представленной в JAMA Network Open , сказал: «Модель вычисляет разницу между хронологическим возрастом человека и возрастом его мозговой активности во время сна, чтобы определить, насколько мозг человека стареет быстрее, чем обычно.”

BAI-тест — это огромный шаг вперед по сравнению с текущими тестами для оценки возраста мозга человека, в которых используются дорогостоящие методы магнитно-резонансной томографии, которые невозможно проводить через регулярные промежутки времени для отслеживания активности мозга. Более того, BAI можно легко измерить дома с помощью простых и экономичных медицинских устройств, таких как повязки со встроенными электродами ЭЭГ.

Исследователи подтвердили свою платформу BAI, используя более 5000 тестов сна от людей с диагнозом деменция, людей с легкими когнитивными нарушениями, недиагностированных людей с нарушениями и более 2000 здоровых добровольцев.Выявлены четкие закономерности в том, что у пациентов с деменцией в среднем возраст мозга был примерно на четыре года старше, чем у пациентов без деменции.

Исследователи считают, что измерения BAI становятся рутинной частью первичной медико-санитарной помощи и могут стать мощным инструментом скрининга и мониторинга наличия нейродегенеративных заболеваний.


Источник: The Harvard Gazette, JAMA Network Open .

Возраст мозга: как мы его вычисляем и что это значит | Блог

Эта статья актуальна по состоянию на февраль 2020 года.Детали того, как мы рассчитываем возраст мозга, могут измениться в будущем, когда мы будем совершенствовать наши технологии!

Когда мы думаем о процессе старения, мы, естественно, используем одно число: календарный возраст. Однако МРТ головного мозга может добавить больше деталей к картине. Персональная панель управления мозгом BrainKey включает в себя функцию Brain Age, которая позволяет оценить ваш возраст исключительно на основе сканирования мозга. Сравнение возраста мозга с календарным возрастом может дать представление о процессе старения. Насколько нам известно, Brain Key в настоящее время является единственной службой любого рода, которая предоставляет научно подтвержденную оценку возраста мозга.

Как и следовало ожидать, здесь есть некоторые оговорки и оговорки. В частности — наши продукты предназначены для улучшения здоровья, но мы не можем утверждать, что на самом деле что-то диагностируем! Наука о старении мозга находится в зачаточном состоянии, и пока неизвестно, как ее лучше всего применить в клинике. Здесь мы объясняем, как мы вычисляем возраст мозга, и что может вам сказать ваш возраст мозга.

Как меняется мозг с возрастом?

Репрезентативные изображения мозга 22-летних (слева) и 83-летних (справа) женщин, прошедших сканирование, с сегментацией BrainKey.Обратите внимание на более глубокие и широкие бороздки и более тонкое серое вещество на правом изображении. Сканирует из общедоступных наборов данных.

Вообще говоря, по мере старения мозга внешний слой серого вещества истончается. Канавки (технически борозды ) на его поверхности углубляются и расширяются. Хотя весь мозг претерпевает эту общую прогрессию, разные люди стареют по-разному. Brain Age можно рассматривать как попытку суммировать прогресс в процессе старения одним числом.

От сканирования мозга к возрасту мозга

Модель Brain Age, которую мы используем, была разработана доктором Джеймсом Коулом, лондонским исследователем нейровизуализации и консультантом Brain Key, и его коллегами. (Если не указано иное, ссылки на работу д-ра Коула здесь относятся к этой статье, в которой впервые описана модель, которую мы используем.) Модель Brain Age преобразует сканирование вашего мозга в упрощенное изображение, обрабатывает данные с помощью техники, называемой основными компонентами. Анализ (PCA), а затем оценка возраста на основе этих упрощенных данных.

Чтобы рассчитать возраст вашего мозга, сканированное изображение сначала преобразуется в упрощенное изображение, показывающее расположение серого вещества, белого вещества и спинномозговой жидкости (жидкость, которая окружает мозг и заполняет его внутренние пространства, обеспечивая амортизацию и выводя отходы) . Это делается путем совмещения изображения с MNI-152, эталонным изображением мозга, созданным путем усреднения 152 высококачественных снимков МРТ, сделанных в Монреальском неврологическом институте. Это обычный первый шаг в нейровизуализации, который обеспечивает последовательную отправную точку для следующих шагов.

Затем предварительно обработанные изображения сводятся к их наиболее важным характеристикам с помощью метода, называемого анализом основных компонентов (PCA). Математика, лежащая в основе PCA, сложна, но ее можно рассматривать как нахождение репрезентативного набора изображений мозга («собственные мозги») с последующей оценкой каждого нового изображения в зависимости от того, насколько оно похоже на каждый собственный мозг. Это может удалить много лишних деталей; В случае нашей модели Brain Age д-р Коул и его коллеги смогли использовать только 485 репрезентативных изображений для обобщения своих тренировочных данных, что означает, что каждое новое изображение можно описать списком из 485 баллов.

Эти жуткие «собственные лица» появились в результате проекта в AT&T Laboratories — Кембридж, который использовал PCA для набора данных с фотографиями лиц.

Наконец, 485 значений, извлеченных из PCA, объединяются с использованием регрессии гауссовского процесса (GPR). Этот метод часто хорошо справляется с извлечением сложных закономерностей из относительно небольших объемов данных (для создания Brain Age использовались «только» сканированные изображения мозга 2001 года), что делает его хорошим выбором для этой задачи. После того, как сканирование вашего мозга предварительно обработано, упрощено с помощью PCA и введено в окончательную модель георадара, генерируется одно значение: ваш возраст мозга.

Что может означать Brain Age?

Важнее, чем ваш возраст мозга, может быть разница между возрастом мозга и календарным возрастом — ваша «прогнозируемая мозгом разница в возрасте» или «Brain-PAD». Д-р Коул и его коллеги определили Brain-PAD у 669 человек, всем из которых на момент сканирования было примерно 72 года, и распределили их на группы одинакового размера: с низким, средним и высоким Brain-PAD. Поскольку сканирование было проведено несколько лет назад, исследователи смогли определить, что люди с низким уровнем мозгового поражения значительно более вероятно, что они будут живы через 8 лет после сканирования, чем люди с высоким уровнем поражения мозга.

Большая часть людей с низким уровнем Brain-PAD дожила до 79 лет, чем люди с высоким Brain-PAD. (Однако разница может показаться больше, чем есть на самом деле! Обратите внимание, что 3 из 4 участников группы с высоким уровнем Brain-PAD все еще выжили.)

Это изображение показано на рис. 3b в « Возраст мозга предсказывает смертность »Дж. Х. Коул и др. Он используется в соответствии с условиями лицензии Creative Commons v4.0 .

Далее, Dr.Коул и его коллеги обнаружили, что в среднем люди с более высоким уровнем Brain-PAD, как правило, немного хуже справляются с рядом других тестов на старение, таких как тесты на когнитивные способности, силу захвата и скорость ходьбы. Конечно, это результат всего одного исследования; в частности, мы мало знаем о том, что может означать возраст мозга в более раннем возрасте. Однако это говорит о том, что возраст нашего мозга может дать представление о других аспектах нашего здоровья.

Влияние на возраст вашего мозга

Если ваш возраст мозга выше, чем вы хотели бы, не паникуйте! Есть некоторые свидетельства того, что упражнения, образование и медитация связаны с мозгом, который «выглядит моложе».Загрузка ваших сканов мозга в BrainKey и разрешение на их передачу исследователям может ускорить прогресс в этой области, помогая нам понять, что означает Brain Age и как мы можем сохранить наш мозг здоровым.

От себя лично, мой возраст мозга примерно на 15 лет выше календарного возраста. В последнее время я пытался больше заниматься спортом, и открытие компании по визуализации мозга, безусловно, было образовательным опытом — с помощью BrainKey я могу увидеть, уменьшится ли разрыв между возрастом моего мозга и календарным возрастом в следующий раз, когда у меня будет сканирование мозга.

Вне возраста мозга: эмпирически полученные косвенные меры психического здоровья

Введение

Индивидуальные оценки в психологии и психиатрии основываются на наблюдении за поведением. Использование биологической информации для диагностики и лечения психических расстройств остается сложной проблемой, несмотря на значительные исследовательские усилия (Kapur et al., 2012). Психиатрия боролась с чисто описательными и нестабильными диагностическими системами (Insel et al., 2010), небольшими размерами выборки (Szucs and Ioannidis, 2017) и опорой на дихотомические группы, i.е. , пациенты против контрольной группы (Hozer and Houenou, 2016). По сравнению с соматической медициной, исследования психического здоровья сталкиваются с дополнительным препятствием, поскольку психические патологии нельзя измерить так же, как диабет можно оценить по уровням инсулина или глюкозы в плазме. Психологические конструкции, например депрессивность или тревожность, можно исследовать только косвенно, с помощью процедур, разработанных экспертами, таких как специально разработанные анкеты и структурированные интервью. Надежно измерить данную конструкцию сложно, и вопросники часто остаются лучшим вариантом (Enkavi et al., 2019). В то время как в области психометрии тщательно изучена обоснованность психологических построений и их показателей (Borsboom et al., 2004; Cronbach and Meehl, 1955; Eisenberg et al., 2019), появление новых биофизических измерений мозга приносит новые обещания. (Engemann et al., 2020; Kievit et al., 2018b; Nave et al., 2018). В частности, рост биобанков, а также прогресс в методах статистического обучения открывают двери для крупномасштабной проверки психологических построений и показателей нейропсихиатрических исследований (Collins, 2012).

В клинической нейробиологии машинное обучение становится все более популярным из-за надежды на разработку более обобщаемых моделей (Woo et al., 2017). Тем не менее, чтобы машинное обучение было надежным, нужны большие размеченные наборы данных (Varoquaux, 2018). Его применение для изучения визуализирующих биомаркеров нервно-психических расстройств ограничено наличием больших когорт с высококачественными психоневрологическими оценками (Bzdok and Meyer-Lindenberg, 2018). Однако данные о группах населения без диагностированных психоневрологических состояний собрать проще.Такие данные привели к успеху в разработке показателей старения мозга, которые собирают косвенную информацию о психическом здоровье (Cole et al., 2015, 2018; Dosenbach et al., 2010; Engemann et al., 2020; He et al., 2020; Koutsouleris et al., 2014; Liem et al., 2017; Smith et al., 2020). Экстраполируя эти успехи, мы предлагаем узнать больше о таких прокси-измерениях индивидуальных характеристик, связанных со здоровьем, в больших наборах данных. Затем они могут улучшить анализ небольшого набора данных за счет связи между косвенными показателями и фактической клинической конечной точкой, представляющей интерес, например.g., диагноз или лекарственный ответ. Новые результаты подтверждают полезность возраста как одного из таких косвенных показателей, что приводит к так называемой дельте возраста мозга : разница между прогнозируемым и фактическим возрастом (Cole et al., 2015; Dosenbach et al., 2010; Smith et al. , 2019а). Было показано, что дельта отражает физические и когнитивные нарушения у взрослых и дает индекс нейродегенеративных процессов (Gonneaud et al., 2020; Liem et al., 2017). Можно ли распространить эту стратегию прокси-мер, подобных биомаркерам, за рамки концепции старения? Могут ли показатели, полученные от других целей, помимо возраста, служить показателями для латентных конструкций?

Помимо старения, одной из важнейших целей является интеллект, который измеряется с помощью тестов, проводимых обществом, и является одним из наиболее широко изучаемых конструктов в психологии.Гибкий интеллект относится к предположительно независимому от культуры, наследуемому и физиологическому компоненту интеллекта (Cattell, 1963; Cattell and Scheier, 1961). Гибкий интеллект — это скрытая конструкция, предназначенная для улавливания индивидуальных различий в когнитивных способностях. Это прочно связано с созреванием нейронов и обычно отражается в скорости когнитивной обработки и емкости рабочей памяти (Shelton et al., 2010). По сравнению с возрастом мозга, подвижный интеллект может служить косвенным показателем, более конкретно индексирующим когнитивные функции.Это было связано с психическими расстройствами, такими как психоз, биполярное расстройство и злоупотребление психоактивными веществами (Keyes et al., 2017; Khandaker et al., 2018).

Невротизм — вторая многообещающая цель. Являясь ключевым представителем широко изученного перечня личностей Большой пятерки, невротизм имеет давнюю традицию в психологии индивидуальных различий (Коста и МакКрэй, 1992; Айзенк и др., 1985). Нейротизм обычно измеряется с помощью анкет для самооценки и концептуализируется как фиксирование диспозиционной негативной эмоциональности, включая тревогу и депрессивность (Shackman et al., 2016). Это было межкультурно подтверждено (Cattell and Scheier, 1961; Lynn and Martin, 1997), а популяционно-генетические исследования неоднократно связывали вариативность невротизма с общими генами (Birley et al., 2006; Hettema et al., 2006; Pedersen и др., 1988). Было показано, что нейротизм полезен при психометрическом скрининге и поддерживает прогнозирование поведения в реальном мире (Lahey, 2009; Tyrer et al., 2015). Однако, несмотря на сильную наследуемость на уровне популяции (Power and Pluess, 2015; Vukasović and Bratko, 2015), связь с функцией мозга на уровне крупномасштабной сетевой динамики или на уровне молекулярных механизмов активно исследуется (Shackman et al. al., 2016; Яркони, 2015).

Появление больших наборов данных МРТ показало сложность прогнозирования личностных характеристик по сигналам мозга. Текущие попытки предсказать подвижный интеллект или невротизм на основе тысяч снимков МРТ приводят аргументы в пользу подавляющей неоднородности и довольно тонких эффектов, которые не сильно обобщаются на невидимые данные (Dubois et al., 2018a, b). Это контрастирует с замечательной производительностью, полученной при прогнозировании интеллекта или невротизма на основе других психометрических показателей или семантических данных, качественно подобных психометрическим опросникам, например.g., сообщения в Twitter и Facebook (Quercia et al., 2011; Youyou et al., 2015). Поскольку получение МРТ может быть дорогостоящим и сложным в клинических условиях или среди населения, обещания данных в социальных сетях привлекательны. Однако в клинической практике или исследованиях такие данные могут привести к ошибкам измерения и выбора, которые трудно контролировать. С другой стороны, фоновые социально-демографические характеристики людей могут быть легко доступны и могут помочь аналогичным образом информировать о неоднородности психологических черт, например, фиксируя то, что подвижный интеллект уменьшается с возрастом (Horn et al., 1981). Тогда возникает важный вопрос, могут ли эти данные выявить неизбыточную информацию об интересующих конструкциях.

Другой проблемой количественной оценки психологических характеристик является разнообразие шкал измерения, часто категориальных или произвольных нефизических единиц, например степень образования или ежемесячный доход. Фактически, общество рассматривает индивидуальные различия как категориальные или непрерывные, в зависимости от практического контекста. Было предложено, чтобы личность охватывала континуум (Айзенк, 1958).Тем не менее психиатры относятся к одним людям как к пациентам, а не к другим (Perlis, 2011). Таким образом, полезность любого показателя психического здоровья зависит от его практического контекста: при изучении границ между качественно разными группами, показатель, который в глобальном масштабе плохо работает в виде непрерывной шкалы, тем не менее может быть достаточным для различения подгрупп. Фактически, мера может быть исключительно информативной вокруг пограничной области между определенными классами, например, пилоты, которые должны летать, а кто нет.Важно отметить, что полезность любой меры в конечном итоге зависит от ее отношения сигнал / шум, которое может быть обусловлено шумом измерения, неоднородностью, а также интересной изменчивостью конкретной измеряемой конструкции, например, типа теста для оценки интеллекта.

Противостояние обещаниям визуализации мозга населения и задачам измерения психологических характеристик поднимает следующие вопросы. 1) Насколько хорошо можно аппроксимировать различные латентные конструкции, связанные со здоровьем, на основе входных данных общего назначения, не предназначенных для измерения конкретных латентных конструкций? 2) Каковы относительные достоинства визуализации мозга и социодемо-графики для исследования различных скрытых конструкций? 3) Можно ли распространить успех возраста мозга на другие косвенные меры, которые отражают дополнительные аспекты поведения, способствующего здоровью? В этом исследовании мы рассмотрели эти вопросы с помощью машинного обучения для построения прокси-показателей , созданных для аппроксимации хорошо охарактеризованных целевых показателей на основе изображений мозга и социально-демографических данных.В качестве целевых показателей мы изучали возраст, подвижный интеллект и невротизм. На рисунке 1 представлен наш подход. Сначала мы оценили, насколько хорошо прокси-показатели приблизились к целевым показателям, выделив вклад различных типов данных. Во-вторых, чтобы оценить внутреннюю ценность косвенных показателей, мы изучили их связь с привычками, связанными со здоровьем (потребление алкоголя, совокупное потребление табака, продолжительность сна, физическая активность). Результаты показывают, что, как и в случае с возрастом мозга, косвенные измерения могут принести пользу для изучения психического здоровья, выходящего за рамки приближения к доступным показателям.

Рис. 1. Обзор методов: построение и оценка косвенных показателей

Мы объединили несколько методов визуализации мозга ( A ) с социально-демографическими данными ( B ), чтобы приблизить биомедицинские и психологические конструкции, связанные со здоровьем ( C ), т.е. , возраст мозга (доступ через прогнозирование хронологического возраста), когнитивные способности (доступ через тест на жидкий интеллект) и склонность сообщать о негативных эмоциях (доступ через анкету невротизма).Мы включили данные изображений из 10 000 пациентов британского биобанка. Среди данных визуализации ( A ) мы рассмотрели особенности, связанные с корковыми и подкорковыми объемами, функциональной связью с rfMRI на основе сетей ICA и молекулярными трактами белого вещества с диффузных направлений (см. Таблицу 3 для обзора нескольких модальностей визуализации мозга. ). Затем мы сгруппировали социально-демографические данные ( B ) в пять различных блоков переменных, связанных с самооценкой настроения и настроений, первичной демографией, образом жизни, образованием и событиями в раннем периоде жизни (в таблице 4 указано количество переменных в каждом блоке). .Впоследствии мы систематически сравнивали приближения всех трех целей на основе изображений мозга и социально-демографических данных по отдельности или вместе ( C ), чтобы оценить относительный вклад этих различных входных данных. Модели были разработаны на основе 50% данных (выбранных случайным образом) на основе случайной регрессии лесов под руководством перекрестной проверки Монте-Карло с 100 разбиениями (см. Раздел «Разработка моделей и тестирование обобщения»). Мы оценили обобщение, используя остальные 50% данных, как полностью независимые оценки вне выборки (см. Раздел Статистический анализ).

Результаты

Традиционные показатели психического здоровья могут быть аппроксимированы эмпирически

Сначала мы провели сравнения моделей, чтобы оценить относительную эффективность косвенных показателей, построенных на основе сигналов мозга и отдельных групп социально-демографических переменных. Рисунок 2 суммирует эти сравнения моделей для аппроксимации трех целей: возраста, подвижного интеллекта и невротизма. Что касается социально-демографических переменных (рис. 2, пунктирные контуры), анализ показал, что для каждой цели существует один основной блок переменных, объясняющих большую часть эффективности прогнозов.Объединение всех социально-демографических переменных не привело к очевидным улучшениям (Рисунок 2 — Приложение 2 к рисунку). Что касается прогнозирования возраста, переменные, связанные с текущим образом жизни, показали самые высокие результаты. Для подвижного интеллекта образование показало себя лучше всех. Наконец, что касается невротизма, настроение и сантименты явно показали самые сильные результаты.

Таблица 1.

Парное различие между чисто социально-демографическими моделями и моделями, включая изображения мозга, на обобщающих данных.

Таблица 2.

Статистические данные о различиях для классификации удерживаемого набора для социодемографического и комбинированного приближения.

Таблица 3.

Модели на основе изображений.

Таблица 4.

Базовые модели без визуализации или социально-демографические модели, основанные на одной группе. Переменные в каждой группе описаны в соответствующем разделе: Социально-демографические данные.

Рисунок 2. Эффективность аппроксимации косвенных показателей, полученных на основе социально-демографических данных и МРТ.

Чтобы приблизительно определить возраст, подвижный интеллект и невротизм, мы применили регрессию случайного леса к социально-демографическим данным и изображениям мозга в качестве входных данных.Данные были разделены на проверочных данных для построения модели (см. Раздел Разработка моделей и тестирование обобщения) и обобщающих данных для статистического вывода прогнозов вне выборки с независимыми данными (см. Раздел Статистический анализ). Для каждого блока социально-демографических предикторов модели были подогнаны с дополнительными предикторами, полученными из изображений мозга, и без них. Мы сообщаем о метрике R 2 , чтобы облегчить сравнение целевых показателей прогнозирования.Распределение перекрестной проверки (CV) (100 разделов Монте-Карло) в наборе данных проверки изображено скрипками. Стиль рисования указывает, было ли добавлено изображение мозга (сплошные контуры скрипок) или нет (точечные контуры скрипок). Точки отображают среднюю эффективность данных валидации по CV-разбиениям. Пирамиды отображают эффективность среднего прогноза (CV-bagging) для удерживаемых наборов данных обобщения. Для удобства средняя производительность набора для проверки аннотируется для каждого графика.Вертикальные пунктирные линии показывают среднюю производительность полной модели МРТ. Наборы данных для проверки и предоставленные наборы данных дали аналогичную картину эффективности аппроксимации без каких-либо доказательств смещения перекрестной проверки. Varoquaux et al. (2017a). Нетрудно заметить, что приближение социодемографических данных (пунктирные скрипки) часто было заметно лучше, чем чисто мозговые модели (пунктирные вертикальные линии) для всех трех целей. Наиболее важными блоками социально-демографических предикторов (помеченных красным крестом) были образ жизни в соответствии с возрастом, образование для подвижного интеллекта и настроение и сантименты для невротизма.Эффект сочетания социально-демографических данных с данными мозга зависел от целевого показателя. Что касается возраста, то общая производительность улучшилась по сравнению с чисто социально-демографическим анализом или визуализацией. Картина была менее последовательной для подвижного интеллекта и невротизма, показывая более слабые аддитивные эффекты, если таковые были. Для усредненных прогнозов вне выборки вероятность наблюдаемой производительности при нулевом распределении и неопределенность размеров эффекта были формально исследованы с использованием тестов перестановки и доверительных интервалов на основе начальной загрузки (таблица 1).Соответствующие статистические данные для базовой производительности моделей, основанных исключительно на изображениях головного мозга (вертикальные пунктирные линии), представлены в таблице S1. Для получения дополнительных результатов, пожалуйста, рассмотрите приложение к рисунку 2:

При объединении МРТ и социодемографии (рисунок 2, сплошные контуры) прогнозирование возраста было улучшено систематическим и видимым образом по всем четырем блокам переменных (таблица 1), предполагая, наблюдаемые различия должны быть воспроизведены на будущих данных и вряд ли возникнут случайно.Однако преимущество включения функций визуализации мозга было менее заметным для прогнозирования подвижного интеллекта и невротизма. Благодаря гибкому интеллекту, данные визуализации мозга улучшили производительность статистически значимо для всех моделей, но с небольшими размерами эффекта в масштабе нескольких процентов или даже ниже (Таблица 1). Кроме того, для невротизма не выявлено никаких систематических преимуществ включения изображений мозга вместе с социодемографическими данными. Вместо этого включение изображений мозга, по-видимому, снижает эффективность обобщения при прогнозировании на основе переменных настроения и настроения (таблица 1, нижняя строка).Тем не менее, использование только данных мозга было достаточным для статистически значимого приближения к целевым показателям не только для возраста, но также для подвижного интеллекта и невротизма (Таблица S1), предполагая, что образ жизни, настроение и настроения объясняют, по крайней мере, некоторые нейробиологические различия. Для невротизма переменные текущего настроения и настроения были очень информативными для предсказания, отражая, что настроение и настроения сильно связаны с невротизмом. В целом прогнозирование подвижного интеллекта или невротизма было явно более успешным, если в него были включены социально-демографические данные (таблица 1).Для последующего анализа мы включили все социально-демографические переменные (Рисунок 2 — Приложение 2 к рисунку).

Одной из важных проблем при оценке приближения психологических показателей является то, что такие меры часто не имеют физических шкал и единиц (Stevens et al., 1946). На практике врачи и преподаватели используют их с определенными порогами для принятия решений. Насколько полезны прокси-показатели, построенные с помощью прогнозных моделей, для выделения отдельных крайних групп? Чтобы ответить на этот вопрос, мы выполнили бинарную классификацию крайних групп, полученных путем дискретизации целей с использованием 33 -го и 66 -го процентилей.Более того, мы сосредоточились на AUC как на метрике производительности, которая чувствительна только к ранжированию, игнорируя масштаб ошибки. Результаты сопоставимы с предыдущим регрессионным анализом. Эффективность классификации для экстремальных групп заметно превышала уровень вероятности AUC 0,5 для всех моделей (рис. 3). По косвенным критериям модели, включая социодемографические, показали лучшие результаты, но разница между чисто социодемографическими моделями и моделями, основанными на мозге, была сравнительно слабой, порядка 0.01-0,02 балла AUC (Таблица 2). Использование только данных мозга привело к косвенным измерениям, которые работают хуже, но все же лучше, чем случайность, как показывает тестирование перестановок (таблица S2). Примечательно, что для обоих типов моделей эффективность распознавания достигла уровня выше 0,8, что считается клинически полезным для биомаркеров (Perlis, 2011). В целом, результаты показывают, что при переходе от более сложной задачи полномасштабной регрессии к проблеме классификации крайних групп с чисто ранжирующими функциями потерь, относительные различия между прогнозированием на основе мозга и социодемографией постепенно исчезли.

Рисунок 3. Классификационный анализ изображений, социально-демографических данных и комбинации обоих данных.

Для классификации крайних групп вместо непрерывной регрессии мы разделили данные на группы с низким и высоким уровнем на основе 33 -го и 66 -го процентилей. Визуальные обозначения приведены на рисунке 2. Мы указываем точность в AUC. Модели, в том числе социально-демографические, работали заметно лучше, чем модели, основанные исключительно на изображениях мозга. Различия между изображениями мозга и социально-демографическими данными оказались менее выраженными по сравнению с полноценным регрессионным анализом.Для средних прогнозов вне выборки вероятность наблюдаемой производительности при нулевом распределении и неопределенность размеров эффекта были формально исследованы с использованием тестов перестановки и доверительных интервалов на основе начальной загрузки (таблица 2). Соответствующие статистические данные для базовой производительности моделей, основанных исключительно на изображениях головного мозга (вертикальные пунктирные линии), представлены в таблице S2.

Внешняя валидность: косвенные измерения отражают факторы, связанные с экологическим здоровьем

Результаты показали, что психологические конструкции могут быть аппроксимированы на основе общих данных, таких как изображения мозга и социально-демографические переменные, которые не приспособлены для измерения этих латентных конструкций.Помимо аппроксимации целевых показателей, которые сами по себе несовершенны, могут ли наши эмпирически полученные прокси-показатели улавливать дополнительные аспекты поведения в реальном мире? Чтобы ответить на этот вопрос, мы изучили связь между тремя изученными косвенными показателями — построенными на возрасте мозга, подвижном интеллекте и невротизме — и различным поведением в отношении здоровья (сон, физические упражнения, употребление алкоголя и табака). Такое поведение является скорее экологическим исследованием психического здоровья, чем анкетированием или лабораторными измерениями, и потенциально связано множеством способов с нашими косвенными измерениями.Поэтому мы смоделировали их как взвешенные суммы прогнозируемой дельты возраста мозга, подвижного интеллекта и невротизма с использованием множественной линейной регрессии. Чтобы избежать какой-либо формы замкнутости, мы использовали вневыборочные прогнозы для всех трех прокси-показателей, примененные к набору данных обобщения, который не использовался для построения моделей машинного обучения. Мы получили дельту возраста мозга, вычитая фактический возраст из предсказанного. Чтобы уменьшить предвзятость возраста мозга (Le et al., 2018), мы разобрали связанные со здоровьем привычки на предмет их связи с фактическим возрастом (Engemann et al., 2020; Smith et al., 2019a).

Расчетные коэффициенты регрессии, фиксирующие частичные корреляции, выявили как конкретные, так и дополнительные связи между косвенными показателями и поведением, связанным со здоровьем (рис. 4). Анализ маргинальных ассоциаций показывает аналогичные закономерности, указывая на то, что отношения сохраняются и при рассмотрении косвенных мер изолированно (Рисунок 4 — Рисунок в приложении 1). Повышенная дельта-возраст мозга постоянно ассоциировалась с увеличением количества алкогольных напитков.Эти последние косвенные измерения не показали устойчивой связи с потреблением алкоголя (Рисунок 4, первая строка). Уровень физических упражнений, измеряемый по количеству минут, проводимых в неделю с метаболическими эквивалентными задачами, постоянно связан с оценками по всем трем прогнозируемым целевым показателям, предлагая независимые ассоциации (Рисунок 4, второй ряд). Это может показаться нелогичным, но может просто указать на возможность того, что люди с более высокими результатами тестов, как правило, ведут более сидячий образ жизни.Продолжительность сна была независимо связана с дельтой возраста мозга и предсказывала нейротизм, но в противоположных направлениях (рис. 4, третий ряд): увеличение продолжительности сна постоянно сопровождалось повышенным возрастом мозга, но более низкими уровнями прогнозируемого невротизма. Не наблюдалось постоянного эффекта для подвижного интеллекта. Увеличенное кумулятивное количество выкуриваемых сигарет было независимо и последовательно связано со всеми прогнозируемыми целями (рис. 4, последний ряд): усиленное курение сопровождалось повышенным возрастным дельта мозга и повышенным невротизмом, но более низким интеллектуальным развитием.

Рисунок 4. Прокси-меры показывают систематические и дополнительные связи вне выборки с привычками, связанными со здоровьем.

Чтобы проверить внешнюю валидность косвенных показателей, мы исследовали их связи вне выборки с экологическими показателями психического здоровья (продолжительность сна, время, проведенное с физическими упражнениями, количество употребленных алкогольных напитков и сигарет). Чтобы отделить дополнительные и избыточные эффекты, мы построили несколько моделей линейной регрессии на основе прогнозов вне выборки, объединив прокси-показатели (A) из рисунка 2.Для сравнения мы повторили анализ с использованием фактических целевых показателей (B) , наблюдаемых на данных обобщения. Модели регрессии изображены построчно. Коробчатые диаграммы суммируют распределение неопределенности коэффициентов регрессии для конкретных целей (цвет) с усами, обозначающими двусторонние 95% интервалы неопределенности (параметрическая бутстрап). Случайное подмножество 200 из 10000 розыгрышей коэффициентов показано точками. Оценка среднего коэффициента аннотирована для удобства. Выявились по крайней мере две различные модели: либо исход для здоровья был конкретно связан с одним косвенным показателем (дельта возраста мозга и количество употребляемых алкогольных напитков), либо несколько показателей показали аддитивные ассоциации с результатом ( e.грамм. кол-во лет выкуривания пачки). Наконец, целевые показатели (B) показывают более шумные ассоциации, чем прокси-показатели (A) , хотя ни одна из значимых ассоциаций не изменила направление. Для дополнительных выводов, пожалуйста, рассмотрите приложение к Рисунку 4:

. Остается вопрос, приносят ли косвенные меры какую-либо дополнительную ценность по сравнению с исходными целевыми показателями, из которых они были получены. Изучение ассоциации этих исходных целевых показателей с привычками, связанными со здоровьем, показывает аналогичные тенденции: ассоциации с теми же знаками, что и с косвенными показателями (рис. 4, B).Однако эти ассоциации были более шумными или менее заметными, чем ассоциации с прокси-мерами.

Эти результаты демонстрируют, что косвенные меры хорошо отражают привычки, связанные со здоровьем, потенциально лучше, чем исходные целевые показатели, и дополняют эти три показателя.

Обсуждение

В этом исследовании мы расширили подход к нейровизуализации по возрасту мозга до более широкого понятия эмпирических косвенных мер. Руководствуясь машинным обучением, мы получили эмпирические аппроксимации традиционных, тщательно проверенных целевых показателей психологии.Помимо биологического возраста, мы сосредоточились на когнитивных способностях (проверяемых с помощью теста жидкого интеллекта) и отрицательной эмоциональности (проверяемых с помощью опросника невротизма). Наши косвенные измерения были получены на основе данных, явно не предназначенных для оценки конкретных латентных конструкций: данных изображений мозга и гетерогенных социально-демографических дескрипторов. Мы заметили, что комбинация изображений мозга и социально-демографических данных, ориентированных на конкретные цели, часто улучшает аппроксимационные характеристики. На имеющихся данных, которые не использовались для построения модели, мы обнаружили важные связи между всеми косвенными мерами и показателями экологического здоровья.Эти ассоциации часто дополняли друг друга и были полезны помимо информации, содержащейся в приблизительных целевых показателях.

Конструкции психического здоровья могут быть доступны из данных общего назначения

Возраст мозга служил ориентиром в этом исследовании, как концептуально, так и эмпирически. До сих пор это был, пожалуй, самый обсуждаемый кандидат на роль суррогатного биомаркера в литературе по нейровизуализации (Cole et al., 2015; Dosenbach et al., 2010; Smith et al., 2019a). Со средними абсолютными ошибками около 4 лет, объясненной дисперсией до 67% и показателями AUC до 0.93 в условиях классификации наши результаты выгодно сравниваются с недавней литературой по возрасту мозга в Биобанке Великобритании (Cole et al., 2017; Smith et al., 2020) и в других наборах данных (Engemann et al., 2020; Liem et al., al., 2017), хотя мы полагались на неоптимизированные стандартные входные данные и алгоритмы, а не на глубокое обучение (He et al., 2018). Применяя тот же подход к другим поведенческим результатам, которые исследуют психологические конструкции, а именно подвижный интеллект и невротизм, мы обнаружили, что их было значительно труднее аппроксимировать на основе общих данных визуализации мозга или социально-демографических дескрипторов.

Важно резюмировать, что качество аппроксимации на трех исследованных объектах имеет разное значение, поскольку они измеряются по-разному. С одной стороны, возраст — это физическая переменная, измеряемая значимыми единицами (годами) по шкале отношений (Stevens et al., 1946) (Сельма на года вдвое старше , чем Боб). С другой стороны, психометрические показатели, такие как подвижный интеллект, измеряемый с помощью тестов производительности, проводимых обществом, и невротизм, измеряемый путем самооценки с помощью анкет, представляют собой оценки без единиц измерения, полученные в результате оперативного подсчета, что вызывает двусмысленность в отношении уровня измерения ( Борсбум, 2005).Их подразумеваемые шкалы можно рассматривать как интервал (разница в интеллекта Боба и Сельмы составляет -0,1 стандартного отклонения), если не скорее порядковый (интеллект Боба был на ниже, чем у Сельмы) (Stevens et al., 1946). В повседневной психологической практике эти оценки часто используются через практически определенные пороговые значения, например, . поступление в школу или отбор кандидатов в пилоты в авиации (Carretta, 2011; Carretta and Ree, 1994). Таким образом, аппроксимация этих показателей с помощью эмпирически определенных косвенных значений должна соответствовать различным стандартам: прогнозирование возраста мозга должно оцениваться в соответствии с его естественной непрерывной шкалой; мы наблюдали более 50% объясненной дисперсии.Вместо этого приближение психометрических показателей может быть более подходящим образом измерено с помощью неявных пороговых значений, следовательно, задач распознавания. С соответствующими метриками, характеристиками приемника-оператора (ROC) и его AUC-score, все прокси-показатели приблизились или превысили производительность 0,80, которая считается актуальной для разработки биомаркеров (Perlis, 2011), хотя, честно говоря, они приблизились к установленным психометрическим целевым показателям. (косвенные меры), а не заболевание.

Тем не менее, ассоциации приближенных конструктов — косвенных показателей — с привычками, связанными со здоровьем (Рисунок 4), дают более полную картину их ценности.Продолжительность сна, минуты, потраченные на упражнения, и количество выпитых алкогольных напитков или сигарет были специально и дополнительно связаны со всеми косвенными показателями более чем 4000 удерживаемых лиц. Другими словами, мы обнаружили множество статистически важных ассоциаций с косвенными показателями подвижного интеллекта и невротизма, которые не были объяснены возрастом мозга. По сравнению с традиционными мерами (рис. 4 B ) связи между этими косвенными показателями и экологическими поведенческими чертами были менее шумными, следовательно, более последовательными, независимо от качества их аппроксимации (рис. 4 A ).Поначалу это может показаться удивительным, но сами целевые меры являются шумными и несовершенными с экологической точки зрения. Напротив, прокси-показатели собираются посредством более богатого фенотипирования, чем целевые показатели, на основе как точных социодемографических данных, так и сигналов мозга, которые могут помочь их уточнить.

Преимущества, предлагаемые данными о мозге, зависят от приближенной конструкции

Все приближения, полученные на основе мозга, были статистически значимыми. Тем не менее, только для прогнозирования возраста данные изображений сами по себе привели к убедительным уровням производительности.Объединение данных изображений мозга с социально-демографическими данными привело к систематическому повышению эффективности прогнозирования возраста и, что менее важно, подвижного интеллекта (таблица 1). С другой стороны, для невротизма, включая визуализацию мозга, это приближение существенно не улучшилось. Означает ли это, что при приближении латентных конструкций можно избежать визуализации мозга на практике? Такая точка зрения, вероятно, вводит в заблуждение, поскольку численное качество приближения — не единственное, что имеет значение для прокси-меры.Интерес к построению косвенного измерения возраста на основе изображений мозга оправдан его интерпретацией как показателя преждевременного или ускоренного биологического старения (Cole et al., 2015, 2017; Smith et al., 2020). Напротив, еще не ясно, поддерживает ли такая интерпретация возрастная дельта, построенная на основе социально-демографических данных — по линиям «социальной эпохи». С этой точки зрения можно даже предпочесть оценку индивидуального старения исключительно на основе мозга, хотя социально-демографические данные, вероятно, обеспечивают важный контекст изображениям мозга.

Для подвижного интеллекта и невротизма ситуация казалась более сложной. Для обеих целей наиболее эффективная социально-демографическая модель была основана на входных данных, семантически близких к интересующей конструкции, , то есть , деталям образования для подвижного интеллекта и настроению и настроениям для невротизма. Хотя эти результаты подтверждают конструктивную валидность меры, они также сопряжены с определенным риском округлости. В частности, причинная роль этих предикторов не обязательно ясна, поскольку более высокий уровень образования наследуется сам по себе (Krapohl et al., 2014) и могут усиливать существующие когнитивные способности, а не просто являться их результатом. Точно так же длительный эмоциональный стресс из-за жизненных событий может усугубить существующие предрасположенности к негативным эмоциям, захваченным невротизмом (Colodro-Conde et al., 2018), которые, в свою очередь, обычно помогают накапливать стрессовые жизненные события (Lahey, 2009). Тем не менее, для гибкого интеллекта, но не для невротизма, визуализация мозга добавляла дополнительную ценность в сочетании с различными социально-демографическими предикторами.Это может указывать на то, что признаки нейротизма, передаваемые с помощью изображений мозга, уже присутствовали в различных социально-демографических предикторах, потенциально намекая на общие причины.

Возможно, стоит еще раз вернуться к часто сообщаемым трудностям в прогнозировании сложных характеристик на основе изображений мозга, особенно фМРТ (Dubois et al., 2018a, b; Liem et al., 2017; Maglanoc et al., 2020). Это может быть не совсем неожиданным на теоретическом уровне, поскольку даже утверждалось, что психометрические измерения сложных черт могут не отображаться простыми способами в биологические механизмы (Яркони, 2015).Конечно, это не препятствует исследованию их мозговых коррелятов и механизмов (Cole et al., 2015; Cox et al., 2019a; Kievit et al., 2018a; Shackman et al., 2016). Это скорее подчеркивает важность поиска соответствующих сигналов и представлений, поддерживающих данные цели моделирования (Bzdok and Ioannidis, 2019). Предполагается, что некоторые черты характера могут быть тесно связаны с текущим преобладающим поведением, которое может плохо отражаться в записях в состоянии покоя. Чтобы рассмотреть крайний контрпример , нарушения сознания — стабильная черта, вызванная тяжелыми травмами головного мозга — проявляются в систематически и интенсивно измененной активности мозга, следовательно, могут быть надежно обнаружены с помощью сигналов фМРТ и ЭЭГ независимо от текущей стимуляции. (Демерци и др., 2019; Engemann et al., 2018). В этом контексте недавний поворот к натуралистическим стимулам и фильмам (Hasson et al., 2010; Jääskeläinen et al., 2016; Nummenmaa et al., 2012; Sonkusare et al., 2019; Venkatesh et al., 2020) может быть многообещающе, поскольку различия в эмоциях и познании на уровне черт, возможно, необходимо систематически провоцировать мощными стимулами, например , эмоционально заряжающий или когнитивно требовательный кинематографический контент.

Полученные эмпирическим путем косвенные меры: от достоверности к практической полезности

Достоверность конструктов и их мер остается сложным вопросом (Borsboom, 2005; Borsboom et al., 2004; Кронбах и Миль, 1955). Здесь мы продемонстрировали разумное обобщение наших прокси-показателей вне выборки. Тем не менее, эффективность обобщения сама по себе, возможно, дает только верхнюю границу достоверности меры для целевой конструкции, сопоставимых проверок внутренней непротиворечивости и надежности повторных тестов в классической психометрии. Даже идеальное приближение может быть ограничено качеством целевой меры, поскольку подвижный интеллект и невротизм, как известно, трудно измерить без шума.В нашем исследовании конструктная валидность соответствующих косвенных показателей подтверждается значительным выигрышем в эффективности прогнозирования, обеспечиваемым соответствующей информацией, а именно, историей образования и переменными психического здоровья соответственно (рис. 2). Более того, ассоциация с привычками, имеющими отношение к здоровью, придает внешнее значение прокси (рис. 4). Например, возникшие дополнительные паттерны могут быть связаны с традиционной семантикой конструкта: высокое потребление сигарет обычно связано с невротизмом (Terracciano and Costa Jr, 2004), а чрезмерное употребление алкоголя может привести к атрофии мозга и снижению когнитивных функций (Topiwala et al., 2017), оба общих коррелятора возраста мозга (Liem et al., 2017; Wang et al., 2019).

Это поднимает вопрос о практической полезности таких эмпирически полученных прокси-мер: могут ли эти эмпирически полученные прокси-меры заменить конкретные психометрические инструменты? Настоящее исследование не претендует на то, чтобы дать однозначный ответ на этот вопрос, поскольку полезность косвенных мер будет зависеть от практического контекста. Специалист в области психического здоровья может предпочесть установленную процедуру клинической оценки, полагаясь на такие баллы, как тесты интеллекта и личностные шкалы, такие как невротизм, и потенциально применяя неявные пороги, основанные на опыте.Основываясь на наших выводах, может показаться, что включение изображений мозга даже дает убывающую отдачу при приближении к психологическим характеристикам высокого уровня. Тем не менее, это может быть просто вопросом времени, когда будут обнаружены более эффективные протоколы сбора данных наряду с представлениями сигналов, поддерживающими прогнозное моделирование. Хотя стоимость включения томографии головного мозга может показаться непомерно высокой, когда это возможно, ее включение кажется «безопасной ставкой», поскольку машинное обучение способно выбирать соответствующие входные данные (Engemann et al., 2020), а затраты на получение МРТ могут быть амортизированы за счет исходного клинического использования. Более того, наше исследование показывает, что связь косвенных показателей с привычками в отношении здоровья выгодно отличается от исходных целевых показателей. Таким образом, косвенные меры могут открыть новые двери, когда индивидуальная оценка скрытых конструктов не применима из-за отсутствия специализированных психиатрических кадров или из-за чистых затрат. Например, они могут использовать оценку психического здоровья в исследованиях больших групп населения, e.грамм. , для вопросов этиологии, нозологии или типичных эпидемиологических вопросов, таких как факторы риска или оценка лечения. Кроме того, результаты, полученные на больших популяциях, могут быть перенесены в клинические данные с более точной оценкой психического здоровья, например. , меньшие когорты, возможно, использующие специальные методы (He et al., 2020; Pan and Yang, 2009). Если полагаться на три косвенных критерия, а не только на возраст мозга, то это обещает более широкий спектр приложений.

Ограничения

В этом исследовании были проверены прокси-измерения трех целевых конструкций.Выбор этих целей руководствовался обзором литературы, а также целью найти репрезентативные показатели, связанные со здоровьем, с дополнительной семантикой. Можно было посетить дополнительные конструкции и психометрические инструменты. Интеллект можно охарактеризовать множеством аспектов. Более широкая концепция интеллекта как общего фактора — g-фактора — часто оценивается с использованием моделей скрытых факторов на множественных коррелированных тестах. Хотя моделирование g-фактора может быть интересным само по себе, мы меньше заинтересованы в нормативной оценке интеллекта, а скорее в фиксации межличностных различий, связанных с когнитивными способностями, в качестве ситуационного сигнала приспособленности.Такие вариации неоднократно связывались с нарушениями психического здоровья (Khandaker et al., 2018). Точно так же существует множество анкет, специально разработанных для измерения негативной эмоциональности и невротизма. Тем не менее, мы могли изучить только то, что доступно в данных британского биобанка — шкалу невротизма EPQ. Дополнительный подход, приводящий к различным научным вопросам, заключался бы в оценке латентных факторов путем объединения всех данных, не связанных с визуализацией, семантически связанных с невротизмом (Maglanoc et al., 2020).Скорее, мы предпочли рассматривать установленные целевые показатели «как есть», а не производные инструменты, чтобы не вводить дополнительные соображения относительно обоснованности меры. Тем не менее, наша структура поощряет будущие исследования, ориентированные на более сложные представления латентных конструкций.

Во-вторых, несмотря на то, что исследование было клинически мотивированным, оно не позволяет напрямую проверить клиническую значимость предполагаемых косвенных показателей. Действительно, даже в очень большой когорте населения в целом, такой как Биобанк Великобритании, имеется только несколько сотен диагностированных случаев психических расстройств (диагнозы психического здоровья по МКБ-10 из главы F) с доступными данными изображений мозга.Этот вызов подчеркивает практическую важность изучения психического состояния как непрерывного, в дополнение к диагностированным состояниям. В этом направлении наш анализ привычек, связанных со здоровьем, действительно имеет некоторую клиническую значимость.

Наконец, нашему исследованию не хватает детального пространственного анализа данных изображений. Эта работа была сосредоточена на качестве аппроксимации прокси-мер, опираясь на методы, которые не предназначены для детального вывода по предикторам (Bzdok et al., 2018), хотя в будущей работе можно будет изучить апостериорные объяснения (Biecek, 2018).Наш анализ, сравнивающий качество моделей, помогает выделить основные объясняющие факторы, но не дает картирования мозга (Cole, 2020; Cox et al., 2019a; Kievit et al., 2018a).

Материалы и методы

Набор данных

База данных Биобанка Соединенного Королевства (UKBB) на сегодняшний день является самой обширной крупномасштабной когортой, нацеленной на изучение детерминант результатов в отношении здоровья взрослого населения в целом. UKBB находится в открытом доступе и содержит обширные данные, полученные о 500 000 человек в возрасте 40-70 лет, включая богатые фенотипы, информацию, связанную со здоровьем, изображения мозга и генетические данные (Collins, 2012).Участников приглашали для повторных обследований, некоторые из которых включали МРТ. Например, когнитивные тесты, которые проводились во время первоначальной оценки, также оценивались во время последующих посещений. Это позволило найти для многих субъектов по крайней мере одно посещение, содержащее все разнородные входные данные, необходимые для разработки предлагаемых косвенных мер. Исследование проводилось с использованием приложения UKBB Resource Applixaction 23827.

Участники

Все участники дали информированное согласие.Исследование UKBB было изучено и одобрено Северо-Западным многоцентровым комитетом по этике исследований. Мы рассмотрели участников, которые ответили на когнитивные тесты, анкеты и имеют доступ к своим первичным демографическим данным и изображениям мозга (Sudlow et al., 2015). Из общего размера популяции UKBB мы обнаружили 11 175 участников, у которых повторные оценки совпадали с первым выпуском изображений мозга (Miller et al., 2016). Демографические данные составляют 51,6% женщин (5 572) и 48,3% мужчин (5 403), а возрастной диапазон составляет от 40 до 70 лет (в среднем 55 лет и стандартное отклонение 7.5 лет). Из полного набора для анализа 5 587 человек были задействованы в исследовании для обучения модели, а оставшиеся участники были отложены в качестве удерживаемого набора для обобщающего тестирования (см. Раздел Разработка модели и обобщающее тестирование ).

Чтобы установить конкретные сравнения между моделями, основанными на социально-демографических данных, данных мозга или их комбинациях, мы рассматривали исключительно случаи, для которых были доступны МРТ. Окончательные размеры выборки, используемые для построения модели и тестирования обобщения, затем зависели от доступности МРТ: для возраста и интеллекта жидкости наша процедура случайного разделения ( Разработка модели и тестирование обобщения ) дала 4203 случая для построения модели и 4157 для обобщения.Для случаев с достоверной оценкой невротизма было доступно меньше изображений мозга, что дало 3550 случаев для построения модели и 3509 для обобщения.

Сбор данных

Социально-демографические данные (без визуализации) были собраны с помощью самоотчетов, вводимых с помощью анкет с сенсорным экраном, дополненных устными интервью, физическими измерениями, биологическим отбором образцов и данными визуализации. Данные МРТ были получены с помощью Siemens Skyra 3T с использованием стандартной 32-канальной РЧ катушки на голове приемника (Alfaro-Almagro et al., 2018). Мы рассмотрели три метода МРТ, поскольку каждый из них потенциально фиксирует уникальные нейробиологические детали: структурная МРТ (sMRI / T1), функциональная МРТ в состоянии покоя (rs-fMRI) и диффузная МРТ (dMRI). За техническими подробностями о параметрах получения МРТ обращайтесь к Miller et al. (2016). Мы использовали полученные из изображений фенотипы (IDP) этих различных методов визуализации мозга, поскольку они предоставляют действенные сводки измерений мозга и способствуют сопоставимости исследований.

Целевые показатели

В качестве целевых показателей для моделирования возраста мозга мы используем возраст человека на момент набора на базовый уровень (код UKBB «21022-0.0 ”). Гибкий интеллект оценивался с помощью когнитивной батареи, предназначенной для измерения способности человека решать новые проблемы, требующие логики и абстрактного мышления. В британском биобанке тест на подвижный интеллект (код UKBB «20016-2.0») состоит из тринадцати логических и логических вопросов, которые вводились с помощью сенсорного экрана для записи ответа в течение двух минут на каждый вопрос. Таким образом, каждый правильный ответ оценивается как один балл, всего 13 баллов 1 . Невротизм (код UKBB «20127-0.0 ”) был измерен с использованием более короткой версии пересмотренного опросника личности Айзенка (EPQ-N), состоящего из 12 пунктов (Eysenck et al., 1985). Невротизм был оценен во время базового посещения Биобанка. Суммарные баллы индивидуума варьируются от 0 до 12, которые оценивают склонность к переживанию отрицательных эмоций 2 .

Социально-демографические данные

В этой работе мы называем переменные, не связанные с визуализацией, в широком смысле социально-демографическими, исключая кандидатов на цели гибкого интеллекта и невротизма.Чтобы аппроксимировать латентные конструкции из социально-демографических данных, мы включили 86 входных данных без визуализации (Таблица S3), которые представляют собой набор переменных, отражающих демографические и социальные факторы каждого участника , т.е. , пол, возраст, дату и месяц рождения, индекс массы тела, этническую принадлежность. , воздействия в молодом возрасте — например. грудное вскармливание, курение матери перед рождением, усыновление в детстве — образование, переменные, связанные с образом жизни — например род занятий, семейный доход домохозяйства, члены домохозяйства, проживающие в одном месте, курение– и переменные психического здоровья.Все эти данные были предоставлены самими участниками. Затем мы отнесли эти 86 переменных к пяти группам на основе их отношений. Основываясь на нашем концептуальном понимании переменных, мы назначаем их в одну из пяти групп: 1) настроение и настроения, 2) первичная демография как возраст, пол, 3) образ жизни, 4) образование , 5) молодость. Затем мы исследовали взаимосвязь между всеми 86 переменными, чтобы убедиться, что предложенная группировка совместима с их эмпирической структурой корреляции, рис. S1.

В социально-демографических группах отсутствовало различное количество данных. Например, для источник отсутствия связан с привычками образа жизни участников, такими как курение и проблемы с психическим здоровьем (Fry et al., 2017). Чтобы справиться с этим отсутствием данных с помощью вменения (Little and Rubin, 1986), мы использовали замену отсутствующей информации по столбцам на медианное значение, рассчитанное на основе известной части переменной. Впоследствии мы включили индикатор наличия условных расчетов для последующего анализа.Такой условный расчет хорошо подходит для моделей прогнозирования (Josse et al., 2019).

Обработка изображений для получения фенотипов для машинного обучения

Предварительная обработка данных МРТ была проведена группой визуализации UKBB. Полные технические детали описаны в других источниках (Alfaro-Almagro et al., 2018; Miller et al., 2016). Ниже мы кратко опишем пользовательские шаги обработки, которые мы использовали поверх уже предварительно обработанных входных данных.

Структурная МРТ

Этот тип анализа данных на Т1-взвешенных изображениях мозга касается морфометрии областей серого вещества i.е. количественная оценка размера, объема структур мозга и типов тканей и их вариаций при невропатологии или поведении (Lerch et al., 2017). Например, изменения объема в областях серого вещества в течение жизни связаны со старением мозга (Ritchie et al., 2015), общим интеллектом (Cox et al., 2019b) и заболеванием мозга (Thompson et al., 2007). Такие объемы рассчитываются в рамках заранее определенных областей интереса, состоящих из корковых и подкорковых структур (Desikan et al., 2006) и областей мозжечка (Diedrichsen et al., 2009). Мы включили 157 признаков sMRI, состоящих из общего объема головного мозга и серого вещества вместе с подкорковыми структурами головного мозга 3 . Все эти функции предварительно извлечены группой визуализации мозга UKBB (Miller et al., 2016) и являются частью загрузки данных. Мы объединили все входные данные вместе с настраиваемыми функциями фМРТ для прогнозного анализа (объединение функций).

Диффузионно-взвешенная МРТ

Диффузионная МРТ позволяет идентифицировать тракты белого вещества вдоль основного диффузионного направления молекул воды, а также связи между различными областями серого вещества (Behrens et al., 2003; Conturo et al., 1999). Изучение этих местных анатомических связей через белое вещество имеет отношение к пониманию нейропатологий и функциональной организации (Saygin et al., 2016). Мы включили 432 характеристики каркаса дМРТ FA (фракционная анизотропия), MO (тензорный режим) и MD (средний коэффициент диффузии), ICVF (внутриклеточная объемная доля), ISOVF (изотропная объемная доля) и OD (индекс ориентационной дисперсии), смоделированные на многих Структуры белого вещества мозга, извлеченные из нейроанатомии 4 .За подробными техническими подробностями обращайтесь к de Groot et al. (2013). Включенные нами элементы скелета были из категории 134, доставленные группой по визуализации мозга UKBB, и мы использовали их без изменений.

Функциональная МРТ

Функциональные МРТ-изображения в состоянии покоя фиксируют низкочастотные колебания оксигенации крови, которые могут выявить текущие нейронные взаимодействия во времени, формируя отдельные сети мозга (Biswal et al., 1995). Функциональная связь в этой мозговой сети может быть связана с клиническим статусом (Greicius et al., 2004), поведению (Miller et al., 2016) или психологическим характеристикам (Dubois et al., 2018b). Мы также включили функции подключения в состоянии покоя на основе временных рядов, извлеченных из независимого компонентного анализа (ICA), с 55 компонентами, представляющими различные сети мозга, извлеченные из данных rfMRI UKBB (Miller et al., 2016). К ним относятся сеть режима по умолчанию, сеть расширенного режима по умолчанию и цингулооперкулярная сеть, сеть исполнительного контроля и внимания, визуальная сеть и сенсомоторная сеть.Мы измерили функциональную связность с точки зрения межсетевой ковариации. Мы оценили ковариационные матрицы, используя усадку Ледуа-Вольфа (Ledoit and Wolf, 2004). Чтобы учесть тот факт, что ковариационные матрицы живут на определенном многообразии, , т.е. , искривленном неевклидовом пространстве, мы использовали вложение касательного пространства для преобразования матриц в евклидово пространство (Sabbagh et al., 2019; Varoquaux et al. al., 2010) в соответствии с недавними рекомендациями (Dadi et al., 2019; Pervaiz et al., 2020).Затем для прогнозного моделирования мы векторизовали ковариационные матрицы до 1 485 признаков, взяв нижнюю треугольную часть. Эти шаги были выполнены с помощью NiLearn (Abraham et al., 2014).

Сравнение прогнозных моделей с приблизительными целевыми показателями

Модели на основе изображений

Во-первых, мы сосредоточились на чисто визуализационных моделях, основанных на исчерпывающих комбинациях трех типов модальностей МРТ (см. Обзор в Таблице 3). Это позволило нам изучить потенциальное совпадение и взаимодополняемость методов МРТ.Предварительный анализ показал, что объединение всех данных МРТ дало разумные результаты без очевидных недостатков по сравнению с конкретными комбинациями методов МРТ (Рисунок 2 — Рисунок Дополнение 1), поэтому для простоты мы сосредоточились только на полной модели МРТ в последующих анализах.

Социально-демографические модели

Мы составили прогностические модели, основанные на неполных комбинациях различных типов социально-демографических переменных. Чтобы исследовать относительную важность каждого класса социально-демографических данных, мы провели систематические сравнения моделей.Мы были особенно заинтересованы в изучении относительного вклада факторов ранней жизни по сравнению с факторами, связанными с более недавними жизненными событиями, такими как образование, а также факторами, связанными с текущими обстоятельствами, такими как настроение и настроения и образ жизни. Результирующие модели, основанные на различных группах предикторов, перечислены в таблице 4 (дополнительные сведения см. В таблице S3 и рисунке S1).

Комбинированные модели визуализации и социодемографические модели

На следующем этапе нас интересовало, как информация, связанная с мозгом, будет взаимодействовать в рамках каждой из этих социодемографических моделей.Например, такая информация, как возраст человека или уровень образования, может добавить важную контекстную информацию к изображениям мозга. Поэтому мы рассмотрели альтернативный вариант для каждой из моделей в таблице 4, который включал все функции, связанные с МРТ (2 074 дополнительных функции), как описано в разделе Обработка изображений для получения фенотипов для машинного обучения.

Прогностическая модель

Линейные модели рекомендуются в качестве выбора по умолчанию в исследованиях нейровизуализации (Dadi et al., 2019; Poldrack et al., 2020), особенно когда наборы данных включают менее 1000 точек данных. В этом исследовании приблизительные цели, созданные различными базовыми механизмами, основанными на нескольких классах разнородных входных данных с несколькими тысячами точек данных. Поэтому мы выбрали непараметрический алгоритм случайного леса, который можно легко применить к данным различных единиц для нелинейной регрессии и классификации (Breiman, 2001) со среднеквадратической ошибкой в ​​качестве критерия примеси. Чтобы сократить время вычислений, мы зафиксировали глубину дерева до 250 деревьев, гиперпараметр, который обычно не настраивается, а устанавливается на большое число в качестве плато производительности за пределами определенного количества деревьев (Hastie et al., 2005, гл. 15). Предварительный анализ показал, что дополнительные деревья не привели бы к существенному повышению производительности. Мы использовали вложенную перекрестную проверку (5-кратный поиск по сетке), чтобы настроить глубину деревьев, а также количество переменных, рассматриваемых для разделения (см. Таблицу 5 для полного списка рассматриваемых гиперпараметров).

Таблица 5.

Гиперпараметры случайного леса и настройка с поиском по сетке (5-кратная перекрестная проверка).

Классификационный анализ

Мы также провели классификационный анализ непрерывных целей.Для этого мы разделили цели на крайние группы на основе 33 -го и 66 -го процентилей (количество классификационных выборок на группу см. В Таблице 6). Нас особенно интересовало, повысится ли производительность модели при переходе к классификации крайних групп. Для этого анализа мы рассмотрели все три типа моделей (полные функции МРТ 2074 из моделей, основанных на визуализации, см. Раздел Модели на основе изображений, все социально-демографические переменные, всего 86 переменных, см. Раздел «Социодемографические модели»), комбинацию полной МРТ и всех социодемографических данных, всего 2160 переменных см. раздел Комбинированные модели визуализации и социодемографические модели.При прогнозировании возраста мы исключили социально-демографический блок по возрасту и полу из всех социально-демографических переменных, что в итоге дало 81 переменную. Чтобы оценить эффективность классификационного анализа, мы использовали площадь под кривой (AUC) характеристики оператора приемника (ROC) в качестве оценочного показателя (Poldrack et al., 2020).

Таблица 6.

Количество образцов для классификационного анализа (N).

Разработка модели и тестирование обобщения

Перед какой-либо эмпирической работой мы сгенерировали два случайных раздела данных, один набор данных проверки для построения модели и один набор данных обобщения для изучения ассоциаций вне выборки с использованием классического статистического анализа.

Для перекрестной проверки мы затем разделили набор проверки на 100 обучающих и тестовых разделов, следуя схеме повторной выборки Монте-Карло (также называемой случайным разбиением) с 10% данных, используемых для тестирования. Чтобы сравнить характеристики моделей на основе парных тестов, мы использовали одинаковые расщепления для всех моделей. Производительность раздельного тестирования была извлечена и перенесена для неформального вывода с использованием скрипичных графиков (рисунок 2, рисунок 3). Для обобщающего тестирования прогнозы на удерживаемых данных были созданы для всех 100 моделей из каждой перекрестной проверки.

На удерживаемом наборе уникальные предметные предсказания были получены путем усреднения по складкам и случайным дублированием предсказаний из-за выборки Монте-Карло, которая могла давать множественные предсказания для каждого предмета 5 . Такая стратегия известна как CV-bagging (Varoquaux et al., 2017b) и может улучшить как производительность, так и стабильность результатов 6 . Полученные средние значения были представлены в виде точечных оценок на рисунках 2, 3 и 2 — приложение к рисунку 1 и использовались в качестве косвенных показателей при анализе поведения, связанного со здоровьем, рисунок 4.

Статистический анализ

Статистика повторной выборки для сравнения моделей на удерживаемых данных

Для оценки статистической значимости наблюдаемой производительности модели и различий в производительности между моделями мы вычислили статистику повторной выборки показателей производительности на удерживаемых данных. Наши обобщающие данные не используются для построения модели (Gemein et al., 2020). После того, как уникальные предметные предсказания были получены на основе удерживаемых данных обобщения путем усреднения предсказаний, исходящих из каждой складки проверочного набора (cv-bagging), мы вычислили нулевое и бутстрап-распределения наблюдаемой статистики теста на удерживаемых: из данных, т.е.е., R 2 балла для регрессии и балла AUC для классификации.

Базовые сравнения

Чтобы получить p-значение для базовых сравнений ( можно ли объяснить эффективность прогнозирования данной модели шансом? ) на имеющихся данных, мы переставили цели 10 000 раз, а затем повторно вычислили статистику теста. в каждой итерации. Затем P-значения были определены как вероятность того, что статистика теста при нулевом распределении будет больше, чем наблюдаемая статистика теста.Для вычисления интервалов неопределенности мы использовали бутстрап, повторно вычисляя статистику теста после повторной выборки 10 000 раз с заменой и сообщая 2,5 и 97,5 процентилей результирующего распределения.

Парные сравнения между моделями

Для сравнения моделей мы рассмотрели разницу вне выборки в R 2 или AUC между любыми двумя моделями. Чтобы получить p-значение для сравнения моделей ( может ли разница в эффективности прогнозирования между двумя заданными моделями быть объяснена шансом? ) на удерживаемых данных, мы переставили баллы, предсказанные моделью A и моделью B для каждого отдельного прогноза 10. 000 раз, а затем повторно вычисляли статистику теста на каждой итерации.Мы исключили все случаи, для которых были представлены только прогнозы одной из сравниваемых моделей. P-значения затем были определены как вероятность того, что абсолютная статистика теста при нулевом распределении будет больше, чем абсолютная наблюдаемая статистика теста. Считалось, что абсолют объясняет различия в обоих направлениях. Интервалы неопределенности были получены путем вычисления 2,5 и 97,5 процентилей распределения начальной загрузки на основе 10 000 итераций. Здесь предсказания модели A и модели B были повторно дискретизированы с использованием идентичных индексов повторной выборки, чтобы гарантировать значимое парное различие.

Связь вне выборки между косвенными показателями и привычками, связанными со здоровьем
Вычисление дельты возраста мозга и устранение искажений

Для связи с привычками, способствующими здоровью (таблица 7), мы вычислили дельту возраста мозга как разницу между прогнозируемым и фактическим возрастом: Поскольку прогнозирование возраста редко бывает точным, остатки по-прежнему будут содержать возрастную дисперсию, которая обычно приводит к смещению возраста мозга при связывании возраста мозга с интересующим результатом, например.g., продолжительность сна (Le et al., 2018). Чтобы уменьшить утечку возрастной информации в статистические модели, мы использовали процедуру устранения смешения в соответствии с Smith et al. (2019b) и (Engemann et al., 2020, уравнения 6-8), заключающиеся в резидуализации интересующей меры (например, продолжительности сна) с учетом возраста посредством множественной регрессии с квадратичными членами для возраста. Чтобы свести к минимуму вычисления на удерживаемых данных, мы сначала обучили модель, связывающую интересующий балл с возрастом на проверочном наборе, чтобы затем получить предиктор устранения искажений для удерживаемых данных обобщения.Результирующая процедура устранения смешения переменных в удерживаемых данных сводится к вычислению предиктора с остаточным возрастом меры остатка из интересующей меры ( например, продолжительность сна) путем применения следующей квадратичной аппроксимации данные проверки: Затем был получен предиктор устранения смешения путем оценки весов β val 1 и β val 2 , полученных из уравнения 2 по данным обобщения: Мы выполнили эту процедуру для всех целевых показателей, чтобы изучить ассоциации, не связанные с влиянием возраста.

Таблица 7.

Дополнительные переменные здоровья, используемые для корреляционного анализа с прогнозируемыми баллами для конкретных субъектов.

Регрессия привычек, связанных со здоровьем

Затем мы исследовали совместную связь между косвенными показателями интереса и привычками, связанными со здоровьем (таблица 7), используя множественную линейную регрессию. Для простоты мы объединили все изображения мозга и все социально-демографические переменные (Рисунок 2, Рисунок 2 — Рисунок 2 — Приложение 1, Рисунок 2 — Рисунок 2). Полученную модель можно обозначить как где результат остаток дается уравнением 2.Перед подгонкой модели строки с отсутствующими входными данными были опущены. Затем для сопоставимости мы применили стандартное масштабирование ко всем исходам и всем предикторам.

Параметрический бутстрап был естественным выбором для оценки неопределенности, поскольку мы использовали стандартную множественную линейную регрессию, которая обеспечивает четко определенную процедуру для математической количественной оценки предполагаемой вероятностной модели. Вычисления проводились с использованием функции sim из пакета arm, как описано у Гельмана и Хилла (2006, гл.7, стр.142-143). Эту процедуру можно интуитивно рассматривать как получение результатов из апостериорного распределения модели множественной линейной регрессии в предположении единообразного априорного значения. Для согласованности с предыдущими анализами мы подсчитали 10000 розыгрышей.

Какого возраста ваш мозг? Пройдите эту простую викторину, чтобы узнать!

  • Стефани Харпер
  • — 31 октября
  • в образе жизни

Все знают, сколько им лет по свидетельству о рождении и удостоверению личности, но сколько лет всем внутри? Когда дело доходит до того, как наш мозг функционирует, движется и думает, возраст нашего мозга может сильно отличаться от нашего фактического возраста.Например, мужчина 45 лет может иметь такой же потенциал мозга, как и 18-летний, потому что он просто еще не повзрослел! Женщина, которой всего 21 год, может иметь мозг 80-летнего, потому что она делает мудрый выбор. Возраст нашего мозга действительно зависит от того, как мы думаем о вещах!

Пройдите этот тест и ответьте на вопросы о музыке, телешоу, еде, животных, путешествиях, технологиях и многом другом, чтобы мы могли попытаться угадать возраст мозга каждого! Возможно, предполагаемый возраст будет соответствовать возрасту, указанному в свидетельстве о рождении…. или, может быть, это будет нечто совершенно иное, чем то, что можно было ожидать или вообразить!

Вопрос 1

Что важнее: честность или романтика?

Честность Романтика

вопрос 2

Путешествие в Новую Зеландию?

Да! Неа

Вопрос 3

Включите или выключите музыку кантри?

Оказаться Выключить

Вопрос 4

Оцените этот телешоу: Очень странные дела

Великолепное шоу! Достойное шоу Хромое шоу Не видел это шоу

Вопрос 5

Вкус или бросок Ключевой лаймовый пирог?

Вкус Бросать

Вопрос 6

Путешествие на Таити?

Да! Неа

Вопрос 7

Мнение об айфоне?

Должны быть! Не нужно

Вопрос 8

Готовы забрать еду из Макдональдса?

Да! Спасибо, не надо

Вопрос 9

Завести щенка в качестве домашнего животного?

Да! Никогда

Вопрос 10

Выберите знак зодиака!

Овен Рак Рыбы Лео

Вопрос 11

Выберите детское имя!

Джереми Джошуа Джеймс Джозеф

Вопрос 12

Путешествие в Лондон?

Да! Неа

Вопрос 13

Включите или выключите Поп-музыку?

Оказаться Выключить

Вопрос 14

Попробовать или бросить воронки?

Вкус Бросать

Вопрос 15

Путешествие на Мауи?

Да! Неа

Вопрос 16

Выберите детское имя!

Брэдли Брок Бенджамин Бретт

Вопрос 17

Завести змею в качестве домашнего питомца?

Да! Никогда

Вопрос 18

Выберите детское имя!

Сабрина Салина Сара Сильвия

Вопрос 19

Путешествие на Бора-Бора?

Да! Неа

Вопрос 20

Оцените этот телешоу: Конь БоДжек

Великолепное шоу! Достойное шоу Хромое шоу Не видел это шоу

Вопрос 21

Мнение об Apple Watch?

Должны быть! Не нужно

Вопрос 22

Включите или выключите музыку в стиле хип-хоп?

Оказаться Выключить

Вопрос 23

Что важнее: счастье или финансовая стабильность?

Счастье Финансовая стабильность

Вопрос 24

Готовы забрать еду из Chipotle?

Да! Спасибо, не надо

Вопрос 25

Отведать или бросить торт Дьявола?

Вкус Бросать

Вопрос 26

Путешествие на Пхукет?

Да! Неа

Вопрос 27

Оцените это телешоу: Riverdale

Великолепное шоу! Достойное шоу Хромое шоу Не видел это шоу

Вопрос 28

Завести кошку в качестве домашнего питомца?

Да! Никогда

Вопрос 29

Выберите детское имя!

Роза Рокси Рэйчел Рубин

Вопрос 30

Выберите знак зодиака!

Скорпион Телец Стрелец Близнецы

Вопрос 31

Путешествие в Йосемити?

Да! Неа

Вопрос 32

Мнение о MacBook?

Должны быть! Не нужно

Вопрос 33

Включите или выключите рок-музыку?

Оказаться Выключить

Вопрос 34

Готовы забрать еду из метро?

Да! Спасибо, не надо

Вопрос 35

Попробовать или перевернуть ананасовый пирог?

Вкус Бросать

Вопрос 36

Путешествие в Барселону?

Да! Неа

Вопрос 37

Оцените телешоу: Ходячие мертвецы

Великолепное шоу! Достойное шоу Хромое шоу Не видел это шоу

Вопрос 38

Завести птицу в качестве домашнего питомца?

Да! Никогда

Вопрос 39

Выберите детское имя!

Майкл Мартин Марвин Мейсон

Вопрос 40

Мнение об iPad?

Должны быть! Не нужно

Вопрос 41

Путешествие в Дубай?

Да! Неа

Вопрос 42

Включите или выключите Электронная музыка?

Оказаться Выключить

Вопрос 43

Попробовать или бросить тирамису?

Вкус Бросать

Вопрос 44

Путешествие в Амстердам?

Да! Неа

Вопрос 45

Что важнее: волнение или комфорт?

Возбуждение Комфорт

Вопрос 46

Завести рыбу в качестве домашнего питомца?

Да! Никогда

Вопрос 47

Оцените телешоу: The Flash

Великолепное шоу! Достойное шоу Хромое шоу Не видел это шоу

Вопрос 48

Мнение об Apple AirPods?

Должны быть! Не нужно

Вопрос 49

Выберите знак зодиака!

Дева Весы Козерог Водолей

Вопрос 50

Готовы забрать еду из Pizza Hut?

Да! Спасибо, не надо

.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *