轻量级ScaleDense–Transformer框架结合辅助量子启发瓶颈模块用于全生命周期脑年龄预测

《Brain Sciences》：A Lightweight ScaleDense–Transformer Framework with Auxiliary Quantum-Inspired Bottleneck Module for Whole-Lifespan Brain Age Prediction

　　

背景/目的：本研究引入了轻量级ScaleDense-Transformer（LST-Net），一种设计驱动的全生命周期脑年龄预测框架，旨在提高预测准确性同时保持结构和生物学合理性。方法：LST-Net采用ScaleDense-Transformer架构，专门设计以反映脑老化的双重性质：ScaleDense模块捕获精细的局部解剖变化，而Transformer模型全局网络级重组。该框架使用来自17个异质性数据源的22,271名受试者的建模队列进行开发和评估，覆盖96年生命周期。此外，在潜在瓶颈中纳入了一个辅助量子模块(VQC)，以促进非线性潜在表示变换并提高表示表现力。性能主要通过平均绝对误差(MAE)评估。结果：LST-Net在脑年龄预测中实现了有竞争力的MAE 2.71年，展示了在宽生命周期(0–96年)和不同数据源上的稳定性。纵向评估和重测分析进一步证实了模型的高可重复性，产生了组内相关系数(ICC) 0.994。结论：当前发现确立了LST-Net作为脑健康监测和大规模筛查的可扩展工具。

脑老化是一个复杂的生物学过程，伴随着皮层变薄、脑室扩大和白质退化等渐进性神经解剖变化。脑年龄（从T1加权磁共振成像（MRI）估计）作为这些结构变化的生物代理，其与生理年龄的差值（脑年龄差距，BrainAGE）可量化偏离正常老化模型的程度，正向偏差提示加速老化相关的神经退行性风险。然而，高精度脑年龄估计面临挑战：老化信号微弱、空间异质且非线性，传统机器学习依赖手工特征，深度学习（如卷积神经网络（CNN））受限于局部感受野，难以建模远距离区域交互；Transformer虽能建立全局依赖，但直接处理高维体数据导致计算繁琐。当前混合模型常采用浅层融合或顺序堆叠，缺乏功能明确的协同组织，尤其在多中心异质性和分布偏移下表现欠佳。针对这些问题，研究人员提出了轻量级ScaleDense-Transformer（LST-Net）框架，该框架将表示学习分解为三个功能不同的阶段：空间编码（ScaleDense骨干）、语义精炼（量子启发变分量子电路（VQC）瓶颈）和全局整合（轻量Transformer）。研究使用来自17个异质性数据源的22,271名健康受试者（0–96岁）的建模队列，以及独立的评估队列（跨站点、纵向、重测集）进行验证。LST-Net在内部评估集上达到平均绝对误差（MAE）2.71年，在跨站点集上MAE 3.93年，纵向一致性（平均差异误差MdE = ?0.09）和重测可靠性（组内相关系数ICC = 0.994）均表现优越。论文发表在《Brain Sciences》。该框架的突出意义在于其设计驱动的多尺度架构兼顾了神经生物学合理性与计算效率，为大规模脑健康监测和人群筛查提供了可扩展工具。

关键技术方法（不超过250字）：研究采用CAT12工具箱对T1加权MRI进行预处理，生成灰质密度图（GMDM），经调制、重采样至84×102×84网格，且不作空间平滑或协变量回归。建模队列共22,271名受试者（来自17个数据源），按70%训练、15%验证、15%内部评估划分；评估队列包括跨站点集（1,422例，来自未参与建模的中心）、纵向集（同一受试者多次扫描）和重测集（短间隔重复扫描）。LST-Net架构包含三部分：1) ScaleDense骨干：基于密集连接和不对称卷积（AC Block）+ 压缩激活（SE）模块，提取多尺度局部解剖特征；2) VQC瓶颈：在32维潜在空间中，通过8量子比特、2层变分量子电路（Angle Embedding + 旋转门 + 受控非门纠缠）进行结构化非线性变换；3) 轻量Transformer：将32维特征重塑为8个语义令牌，经2层2头自注意力和前馈网络进行全局关系整合。优化采用AdamW（学习率3×10^?4），联合MAE损失和排序损失（权重0.2），EMA衰减0.999，训练至100轮（早停15轮）。

研究结果：1) 内部评估集：通过对比三种基线（ScaleDense-only、Transformer-only、ScaleDense-Transformer），LST-Net取得最佳MAE（2.71年）、皮尔逊相关系数^r（0.98）和决定系数R²（0.97），且最大MAE（mMAE）从基线的15.98年降至5.77年，表明VQC模块提升了各年龄段的预测稳定性。按年龄段分析：神经发育期（0–18岁）MAE 1.82年（Transformer-only R²为负），成年期（18–60岁）MAE 2.70年（均值误差ME=1.14），老年期（60–96岁）MAE 2.77年（mMAE 5.25，优于基线）。2) 跨站点集：LST-Net的MAE为3.93年，相比ScaleDense（9.07年）和Transformer（9.43年）显著降低；mMAE 6.02年，较ScaleDense-Transformer（9.03年）降低33.3%，且ME=0.51（基线为?2.74），说明VQC有助于跨域校准。年龄段分析显示[40,50)岁区间MAE最高（6.02年），提示早期成年期对异质性敏感。3) 纵向集：LST-Net的MdE为?0.09，平均绝对差异误差（MAdE）4.25，最大平均绝对差异误差（mMAdE）6.34，均优于或接近基线，表明模型能准确追踪个体内时间变化。4) 重测集：LST-Net的ICC=0.994，平均差异μ(d)=?0.39，差异标准差σ(d)=1.78，均为最优，说明预测在重复扫描间高度一致。

讨论总结：研究人员从四个维度展开讨论。首先，LST-Net能有效映射神经生物学生命周期中的非线性轨迹：ScaleDense组件通过多尺度密集重利用捕捉早期发育中的局部形态突变，Transformer模块建模老年期全局网络重组，VQC瓶颈在潜在空间提供额外非线性变换以缓解预测“平台效应”。然而，30–50岁年龄段仍存在性能下降，归因于该阶段信号噪声比低。其次，纵向分析显示近零MdE和较低MAdE，表明模型对真实生物学变化敏感而非扫描噪声；但mMAdE轻微升高提示存在灵敏度与稳健性之间的权衡，可能源于残余非生物方差。第三，与当代脑年龄模型比较，LST-Net在22,271名受试者的多源数据集上取得MAE 2.71年，性能具有竞争力，但直接数值比较需谨慎（研究间队列和处理协议不同）。第四，当前局限性包括：极端年龄段样本稀疏、未进行亚组分层分析、未执行穷举超参数调优或显式可解释性映射、VQC基于经典仿真（量子比特数受限）、仅使用T1结构MRI、缺乏外部临床验证。未来方向：整合可解释性技术（如SHAP）、扩展至临床患者队列、迁移VQC至真实量子处理器、融合扩散MRI或功能MRI线索，以及实施多任务学习。

结论部分翻译：本研究引入了LST-Net，一种设计驱动的脑年龄预测框架，整合了ScaleDense骨干、基于Transformer的融合模块和辅助量子启发组件。在涵盖多种异质性来源的22,271名受试者的广泛数据集上验证，LST-Net取得了有竞争力的MAE 2.71年。该模型的主要优势在于其多尺度架构设计：利用ScaleDense进行局部解剖特征提取，利用Transformer进行分布式表示的全局特征整合。此外，VQC的融入在压缩潜在空间中提供了额外的非线性变换，可能有助于改进对复杂年龄相关结构变异的建模。关键的是，由于LST-Net遵循设计中心而非纯优化驱动范式，其有效性根植于结构逻辑而非暴力参数调优。最终，本研究在预测精度与神经生物学合理性之间取得平衡，为纵向脑健康监测和大规模人群筛查提供了一个有前景的可扩展工具，尽管在转化应用建立之前仍需要进一步的外部及临床对照验证。

^用于上标_用于下标