MRIで脳年齢を予測：神経変性疾患の早期発見と診断支援への道

9月 2, 2026 · 論文解説

🎧 この記事を音声で聴く（AI生成Podcast）

解説対象論文: OpenMAP-BrainAge: generalizable and interpretable brain age predictor from MRI
Radiology Advances｜被引用数: 0（2026年9月2日時点）

脳の老化は個人差が大きく、実年齢と脳の生物学的年齢との乖離は、神経変性疾患の兆候である可能性があります。特にアルツハイマー病のような疾患では、早期発見と介入が重要視されています。本記事では、この脳年齢の正確な推定を可能にする新しいAIモデル「OpenMAP-BrainAge」について、その仕組みと臨床的意義を解説します。

研究サマリー（FINER & PICO）

Feasible実施可能性	既存のMRIデータとTransformerモデルを効率的に統合し、計算コストを抑え実用的な脳年齢予測を達成しました。
Ethical倫理面	データはIRB承認とインフォームドコンセントに基づき収集され、匿名化されており、倫理的に配慮されています。
Interesting面白さ	脳年齢ギャップと神経変性疾患の関連性を明らかにすることで、早期発見・治療介入の可能性を示唆します。
Novel新規性	マルチビューと体積情報を統合したTransformerベースの新しいアーキテクチャで、汎用性と解釈性を向上させました。
Relevant切実さ	神経変性疾患のリスク層別化、進行モニタリング、治療評価に貢献し、医療に大きな影響を与える可能性があります。
Measurable測定可能性	平均絶対誤差（MAE）や相関係数、脳年齢ギャップなど、客観的な指標でモデル性能と臨床的意義を評価しています。
Modifiable派生・改善	脳年齢ギャップの変化をモニタリングすることで、治療効果やライフスタイルの介入効果を評価できる可能性があります。
Structured文章構造	論文は明確な背景、目的、方法、結果、結論、限界から構成されており、体系的な研究デザインです。
PICO / PECO対象・介入・比較・結果	対象者：認知機能正常者、軽度認知障害、認知症。介入：OpenMAP-BrainAgeモデルによる脳年齢予測。比較：既存の深層学習モデル。結果：高い精度と汎用性、認知機能との強い関連性。

脳年齢予測の重要性とこれまでの課題

どうも、Beyond the Pixelです。脳の構造は加齢とともに複雑な変化を遂げ、脳の生物学的年齢は実年齢と異なる場合があります。この差は「脳年齢ギャップ（BAG）」と呼ばれ、神経保護および神経毒性プロセスの累積的な影響を定量化する、臨床的に意味のある指標となります。BAGの正確な推定は、軽度認知障害（MCI）や認知症のような神経変性疾患の早期リスク層別化、疾患進行の予後評価とモニタリング、治療効果の定量的評価、臨床試験における対象者の選定などに役立つ可能性があります。これまでの脳年齢推定モデルでは、畳み込みニューラルネットワーク（CNN）が一般的に利用されてきましたが、脳の微妙な局所的変化を見落とす可能性がありました。また、トランスフォーマーベースのモデルも導入されてきましたが、人口統計学的および撮像プロトコルの多様性に対する汎用性の不足が課題として残っていました。

OpenMAP-BrainAgeとは？その革新的なアプローチ

OpenMAP-BrainAgeは、これらの課題を克服するために提案されたトランスフォーマーベースの脳年齢予測モデルです。このモデルは、3次元T1強調MRI画像を分析し、多様なコホートにおいて解釈可能で堅牢な性能を発揮することを目指しています。特に注目すべきは、以下のアプローチです。まず、52種類のロボットの自己受容および視覚データセットで事前学習されたトランスフォーマーベースの基盤モデルを採用しています。これにより、MRI撮像の変動に起因するバイアスを軽減し、汎用性を向上させています。次に、矢状断、冠状断、軸状断の3つの解剖学的ビューからサンプリングされた疑似3次元入力と、OpenMAP-T1を用いて280の脳構造から抽出された体積特徴を統合しています。これらのマルチビューおよび領域的特徴は、修正された自己注意メカニズムを通じて統合されます。

**Figure 1.** Figure 1 Architecture design of OpenMAP-BrainAge. (A) OpenMAP-BrainAge. The model takes pseudo 3D T1-weighted brain MRI representations constructed from central 30 slices in each of 3 anatomical views (image data) and quantitative 280 volumetric features extracted from whole-brain parcellation using OpenMAP-T114 (numerical data). A shared image encoder (*) extracts spatial features from each view, which are compressed by view-specific stem modules. A transformer trunk integrates embeddings across views and volumetric information, and the head predicts biological age. FC denotes a fully connected layer; MLP denotes multilayer perceptron. (B) Stem architecture. Stem module introduces a fixed number m of learnable queries (much fewer than the number n of tokens from the image input), as following Wang et al.13 Then, we capture the relationship between these learnable queries and the keys from the input through cross-attention to generate embeddings for the input. This design reduces the image input to a fixed dimensional representation and lowers computational complexity from quadratic to linear with respect to the size of input.解説: OpenMAP-BrainAgeのモデル構造を示しています。T1強調MRI画像から得られる3つの解剖学的視点（冠状断、矢状断、軸状断）の疑似3次元データと、OpenMAP-T1で280の脳領域に分割した体積データが入力として使われます。これらの情報はエンコーダーとステムモジュールを通り、トランスフォーマートランクで統合され、最終的に脳年齢が予測されます。ステムモジュールは、計算コストを削減しつつ、画像入力から固定次元の表現を生成する仕組みです。

また、従来のトランスフォーマーモデルと比較して、計算コストを大幅に削減し、高解像度3次元MRIボリュームに対するスケーラビリティを向上させています。

モデルの学習と評価データセット

OpenMAP-BrainAgeは、認知機能が正常な対象者から得られたADNI 2&3およびOASIS 3データセット（42歳から95歳）を用いて学習および検証されました。モデルの堅牢性（ロバストネス）と汎用性は、独立したオーストラリアのコホートであるAIBLデータセットを用いて外部テストされました。

OpenMAP-BrainAgeの優れた性能と臨床的関連性

OpenMAP-BrainAgeは、脳年齢予測において優れた精度と汎用性を示しました。ADNI 2&3およびOASIS 3のテストセットで平均絶対誤差（MAE）3.65年を達成しました。AIBLデータセットにおいてもMAE 3.54年と高い汎用性を示しており、既存の最先端のディープラーニングモデルと比較しても、競争力のある精度です。

**Table 3.** Table 3 Model comparison on brain age prediction in cognitive normal (CN) group of the AIBL dataset (N = 648 scans from 275 subjects).17解説: AIBLデータセット（独立した外部コホート）における、様々なモデルの脳年齢予測性能の比較です。OpenMAP-BrainAgeは、平均絶対誤差（MAE）3.54年、ピアソン相関係数r=0.76と、トレーニング時に使用したデータセットと地理的に異なるデータセットにおいても、高い汎用性と一貫した性能を維持していることを示しています。

特に、高齢者層（85歳以上）の予測において、他のモデルが実年齢を過小評価する傾向があるのに対し、OpenMAP-BrainAgeはより偏りの少ない予測を示しました。

**Figure 2.** Figure 2 Scatter of predictions versus actual ages in the cognitive normal (CN) group of the test split of ADNI 2&315 and OASIS 3.16 Values are reported as mean ± SD. (A) OpenMAP-BrainAge with “Pseudo 3D—three view + Volumetrics” input. (B) 3D ViT21 with “Pseudo 3D—Coronal” input. (C) 3D ResNet1818,20 with “Full 3D” input. OpenMAP-BrainAge achieves a mostly even scatter of predictions (dashed-circle region) on the elder age group (age over 85 years old), meanwhile other two models tend to underestimate the elder group though reaching a similar mean absolute error (MAE) in general. Further, OpenMAP-BrainAge has the lowest SD of error on predictions, which implies a higher confidence in the estimation. (A) MAE: 3.65 (± 2.43) years, r = 0.82 (P < 0.001), slope = 0.75 (±0.02), intercept = 18.57 (±1.63) years. Pseudo 3D—3-view + Volumetrics. (B) MAE: 3.63 (±2.79) years, r = 0.81 (P < 0.001), slope = 0.73 (±0.02), intercept = 19.29 (±1.67) years. Pseudo 3D—Coronal. (C) MAE: 3.61 (±2.70) years, r = 0.82 (P < 0.001), slope = 0.78 (±0.02), intercept = 15.29 (±1.69) years. Full 3D.解説: 認知機能が正常な対象者の予測脳年齢と実年齢の散布図です。OpenMAP-BrainAge（A）は、他のモデル（B: 3D ViT、C: 3D ResNet18）と比較して、特に85歳以上の高齢者グループにおいて予測の偏りが少なく、実年齢に近い分布を示しています。OpenMAP-BrainAgeは、予測誤差の標準偏差が最も低く、より安定した年齢推定が可能であることが示唆されています。

認知機能の低下に伴い、脳年齢ギャップ（BAG）の顕著な増加が確認されました。認知機能が正常な対象者（CN）では平均0.15年、軽度認知障害（MCI）では平均2.55年、認知症では平均6.12年でした。

**Table 2.** Table 2 Mean ± SD of the brain age gap (BAG, years) for cognitive normal (CN) participants in the test split of ADNI2&3 and OASIS3 across age bins.解説: 認知機能が正常な対象者における、年齢層ごとの脳年齢ギャップ（BAG）の平均値と標準偏差（SD）を示しています。OpenMAP-BrainAgeは、特に75歳から95歳の高齢者においてBAGがゼロに近い値を示しており、他のモデルと比較して高い予測精度を維持していることがわかります。

このBAGの増加は、診断の重症度と単調に増加する傾向を示しており、神経変性疾患のマーカーとしての臨床的関連性を裏付けています。

**Figure 3.** Figure 3 Analysis of brain aging across different subject groups (cognitive normal (CN): N = 543 scans from 146 subjects; mild cognitive impairment (MCI): N = 3934 scans from 761 subjects; and dementia: N = 1831 scans from 512 subjects) of ADNI 2&315 and OASIS 3.16 In the first row, we plotted the prediction versus the actual age of each scan. Values are reported as mean ± SD. The solid diagonal line is the identity line representing perfect prediction, and the dashed line represents the linear regression trend. In the second row, we plotted the histogram of the brain age gap (BAG) for each group. The solid line is BAG=0 and the dashed line represents the mean of each distribution. The predictions show increasing overestimation and the mean BAG values are increasing as the subject groups suffer from more severe disorders. (A) MAE: 3.65 (±2.43) years, r = 0.82 (P < 0.001), slope = 0.75 (±0.02), intercept = 18.57 (±1.63) years. (B) MAE: 4.33 (±3.20) years, r = 0.79 (P < 0.001), slope = 0.71 (±0.01), intercept = 24.12 (±0.64) years. (C) MAE: 7.05 (±5.16) years, r = 0.62 (P < 0.001), slope = 0.42 (±0.01), intercept = 49.75 (±1.02) years. (D) Mean: 0.15 years. 95% CI: (−0.22, 0.51) years. (E) Mean: 2.55 years. 95% CI: (2.40, 2.70) years. (F) Mean: 6.12 years. 95% CI: (5.82, 6.43) years.解説: 認知機能が正常な対象者（CN）、軽度認知障害（MCI）、認知症の各グループにおける脳年齢予測と脳年齢ギャップ（BAG）の分析結果です。予測脳年齢と実年齢の散布図（上段A-C）では、疾患が重度になるにつれて予測が実年齢を上回る傾向が強まります。BAGのヒストグラム（下段D-F）では、CNグループのBAGが0年付近に集中しているのに対し、MCIおよび認知症グループではBAGが徐々に増加し、より高い値を示しています。これは、疾患の重症度に応じて脳の老化が加速していることを示唆しています。

**Figure 4.** Figure 4 Examples of brain MRI inputs (T1-weighted coronal and axial images respectively left to right) and corresponding predicted brain ages; chronological ages are reported in parentheses.解説: 脳MRI画像（T1強調冠状断および軸状断）の例と、それに対応する予測脳年齢（実年齢は括弧内）を示しています。認知機能が正常な対象者、軽度認知障害の対象者、認知症の対象者それぞれの画像が示されており、疾患の進行に伴い脳室の拡大など構造的な変化が見られます。予測脳年齢と実年齢の差（脳年齢ギャップ）も示されています。

他のモデルと比較しても、OpenMAP-BrainAgeはCNとMCIグループ間のより大きな分離を示しました。

**Figure 5.** Figure 5 Comparison of brain aging across different subject groups in state-of-the-art models (cognitive normal (CN): N = 543 scans from 146 subjects; mild cognitive impairment (MCI): N = 3934 scans from 761 subjects; and dementia: N = 1831 scans from 512 subjects on ADNI 2&315 and OASIS 316). In the first row, we plotted the histogram of the brain age gap (BAG) for 3D ResNet18 model with “Full 3D” as input and the second row for 3D ViT model with “Pseudo 3D—Coronal” as input. In both rows, the solid line is BAG=0 and the dashed line represents the mean of each distribution. The larger the predicted BAG value increases across different disorder groups, the better the model performs in terms of differentiating brain disorders. Specifically, our proposed method showed a better separation between CN and MCI groups, and a comparable separation between the CN and dementia group as the 3D ResNet18 and 3D ViT models. (A) Mean: −0.89 years. 95% CI: (−1.26, −0.51) years. (B) Mean: 1.46 years. 95% CI: (1.29, 1.63) years. (C) Mean: 5.83 years. 95% CI: (5.51, 6.14) years. (D) Mean: −0.08 years. 95% CI: (−0.46, 0.30) years. (E) Mean: 2.06 years. 95% CI: (1.89, 2.23) years. (F) Mean: 5.94 years. 95% CI: (5.62, 6.26) years.解説: 既存の最先端モデル（3D ResNet18と3D ViT）における、認知機能が正常な対象者（CN）、軽度認知障害（MCI）、認知症の各グループの脳年齢ギャップ（BAG）のヒストグラムの比較です。BAGの平均値が疾患グループ間で大きく異なるほど、脳疾患の鑑別性能が高いことを示します。OpenMAP-BrainAgeは、CNとMCIグループ間の分離においてより優れた性能を示しました。

ミニメンタルステート検査（MMSE）およびモントリオール認知評価（MoCA）スコアとの間に有意な負の相関が観察されました。BAGが大きくなるほど認知スコアが低い（つまり認知機能が低下している）ことを示しており、それぞれr = -0.397（MMSE）およびr = -0.393（MoCA）と、既存モデルと比較して最も強い相関を示しました。

**Table 4.** Table 4 Comparison of correlation between predicted BAG and cognitive scores (Mini-Mental State Examination (MMSE) and Montreal Cognitive Assessment (MoCA); N = 5811 scans from 971 subjects, with cognitive normal (CN) test split, mild cognitive impairment (MCI) and dementia group from ADNI2&3 and OASIS3) across different state-of-the-art models.解説: 脳年齢ギャップ（BAG）と認知機能スコア（MMSEおよびMoCA）との相関関係を、複数の最先端モデルと比較した表です。OpenMAP-BrainAgeは、MMSEおよびMoCAスコアの両方において、他のモデルよりも強い負の相関（r = -0.397およびr = -0.393）を示しており、加速された脳老化と認知機能低下との関連が最も強く捉えられていることを示しています。

サリエンスマップ（特徴量重要度マップ）により、脳のどの領域が脳年齢予測に寄与しているかが可視化されました。白質および深部灰白質構造、特に内包前脚（ALIC）と内包後脚（PLIC）が脳老化に影響される重要な領域として強調されました。これは、先行研究とも一致する生物学的に意味のある結果です。

**Figure 6.** Figure 6 Average gradient mapping of input with respect to training loss across the test split (N =543 scans from 146 subjects). The anterior limb of the internal capsule (ALIC; orange arrowhead) and posterior limb of the internal capsule (PLIC; red arrow) are the top critical regions, determining our proposed model’s estimation (A–D). Caudate nuclei (pink dashed arrow) and thalami (blue arrow) are also highlighted as top 15 critical regions (E–H). (A) PLIC-R and ALIC-R. (B) AILC-R and ALIC-L. (C) PLIC-R and PLIC-L. (D) ALIC and PLIC. (E) Caudate-L and -R. (F) Caudate-L and -R. (G) Thalamus-L and -R. (H) Thalamus-L and -R.解説: モデルの学習損失に対する入力の平均勾配マッピングを示しており、脳年齢予測に特に寄与した脳領域を可視化しています。内包前脚（ALIC、オレンジ色の矢じり）と内包後脚（PLIC、赤い矢印）が最も重要な領域として強調されています（A-D）。また、尾状核（ピンクの破線矢印）と視床（青い矢印）も上位15位の重要領域として示されています（E-H）。

研究の限界と今後の展望

本研究は横断的な研究であり、脳年齢ギャップと認知症の間の機械論的関係を確立するためには、個々の脳年齢の軌跡を追跡する縦断的な研究が必要です。また、85歳以上の高齢者層での訓練データが不足しているため、この年齢層での外挿には限界があります。本モデルは主に高齢者とアルツハイマー病関連の表現型に焦点を当てており、他の神経学的または精神医学的状態への汎用性には限界があります。異なるスキャナーや撮像パラメータに対する堅牢性も、将来的な臨床応用に向けて検証が必要です。脳年齢ギャップはライフスタイル、血管因子、社会経済的因子によっても影響を受ける可能性があります。本研究では年齢、性別、教育年数を調整しましたが、より広範な共変量を網羅的にモデル化することで、生物学的経路の解明が進むでしょう。重要な点として、脳年齢ギャップはアルツハイマー病や他の特定の神経変性疾患の診断バイオマーカーとして意図されたものではありません。確立されたアプローチ（体積MRI分析、脳脊髄液バイオマーカー、アミロイド/タウPETイメージングなど）は分子診断において依然として優れています。脳年齢ギャップは、加速された脳老化と神経生物学的負担の定量的マーカーとして解釈されるべきであり、リスク層別化、疾患モニタリング、およびアルツハイマー病によって引き起こされる生理学的老化変化の評価における非侵襲的な補助手段として臨床的価値を持つと考えられます。

まとめ

OpenMAP-BrainAgeは、マルチビューMRIと体積データを効率的に統合する、解釈可能で汎用性の高い脳年齢予測モデルです。最先端の精度を維持しつつ、計算負担を軽減し、特に認知機能の低下を伴う脳疾患との強い関連性を示しました。白質や深部灰白質などの重要な脳領域が予測に寄与していることも明らかになり、脳老化の生物学的理解を深める上でも貢献が期待されます。

用語集

脳年齢ギャップ (BAG): 個人の予測脳年齢と実年齢との差。神経保護・神経毒性プロセスの累積的な影響を示す。
トランスフォーマーモデル: 自然言語処理分野で成功を収めたモデルアーキテクチャ。関連性の高い情報を捉える自己注意メカニズムが特徴。
平均絶対誤差 (MAE): 予測値と実測値の差の絶対値の平均。予測精度の指標。
T1強調MRI: 脳の形態学的特徴を鮮明に描出する磁気共鳴画像法の一種。
汎用性: モデルが訓練データとは異なる新しいデータセットやコホートに対しても、一貫して良好な性能を発揮する能力。
解釈可能性: モデルがどのように予測を行うのか、その内部メカニズムを人間が理解できる程度。
軽度認知障害 (MCI): 認知機能に軽度の低下が見られるが、日常生活に大きな支障がない状態。認知症の前段階となることがある。
認知症: 記憶、思考、行動能力の低下により、日常生活に支障をきたす状態。
サリエンスマップ: 機械学習モデルが予測を行う際に、入力データのどの部分に最も注目したかを示す可視化マップ。
白質: 脳内の神経線維が集まっている部分。情報の伝達を担う。
深部灰白質: 大脳皮質の下に位置する、神経細胞が集まる領域。尾状核や視床などが含まれる。
内包前脚 (ALIC) / 内包後脚 (PLIC): 脳の深部に位置する白質線維束の一部で、様々な脳領域間の情報伝達を担う。