纵向脑部分析对于理解健康衰老和识别病理偏差至关重要。纵向脑部MRI序列配准是此类分析的基础。然而，现有方法受限于对密集采样时间序列的依赖、精度与时间平滑性之间的权衡，以及无法前瞻性地预测未来的脑状态。为了克服这些挑战，我们提出了TimeFlow，一个基于学习的纵向脑部MRI配准框架。TimeFlow使用带有时间条件的U-Net骨干网络，将神经解剖结构建模为年龄的连续函数。仅需来自同一受试者的两次扫描，TimeFlow即可估计出准确且时间一致的形变场，从而实现非线性外推以预测未来的脑状态。这是通过我们提出的应用于形变场和形变图像的插值/外推一致性约束来实现的。值得注意的是，这些约束在无需显式平滑正则化或密集采样序列数据的情况下，即可保持时间一致性和连续性。大量实验表明，TimeFlow 在未来时间点预测和配准精度方面均优于现有方法。此外，TimeFlow 支持新型的生物脑老化分析，无需分割即可区分神经退行性轨迹和正常老化，从而避免了耗时的标注工作，并减少了分割不一致性。TimeFlow 为脑老化和慢性疾病的纵向分析提供了一个准确、高效且无需标注的框架，能够预测观察研究期之外的脑部变化。
AI发现：肌肉细胞核变大，竟是衰老的铁证？抗炎可否逆转？
2026-06-17
一项由韩国忠北国立大学柳东烈教授团队领衔的研究发现，AI深度学习技术通过分析人体肌肉切片，准确识别出细胞核增大是衰老肌肉的显著标志（准确率86.2%）。研究发现细胞核直径随年龄增长而显著增大（Spearman’s ρ = 0.71, p < 0.0001），且大细胞核与染色质重塑、细胞衰老、线粒体功能等衰老通路密切相关。更令人惊讶的是，儿童炎性肌病患者的肌肉也出现类似衰老的细胞核增大，这预示着抗炎可能成为对抗肌肉衰老的潜在途径。这项成果为开发新的肌肉衰老生物标志物和干预策略提供了全新方向。