Wetenschappers hebben geavanceerde kunstmatige intelligentiemodellen ontwikkeld die in staat zijn om de hersenleeftijd met opmerkelijke nauwkeurigheid te voorspellen aan de hand van standaard MRI-scans. Dit blijkt uit onderzoek dat op 5 juli 2025 werd gepubliceerd in Nature Communications.
De studie laat zien hoe deep learning-algoritmen, met name convolutionele neurale netwerken (CNN's), structurele hersen-MRI-gegevens kunnen analyseren om de biologische hersenleeftijd van een persoon te schatten. In tegenstelling tot eerdere methoden die vertrouwden op vooraf geëxtraheerde kenmerken, leren deze AI-modellen rechtstreeks van ruwe MRI-data, waardoor ze subtiele patronen kunnen herkennen die anders onopgemerkt zouden blijven.
Het verschil tussen de door AI voorspelde hersenleeftijd en de chronologische leeftijd, bekend als de brain age gap (BAG) of predicted age difference (PAD), fungeert als een krachtige biomarker voor hersengezondheid. Een positieve gap—waarbij de voorspelde leeftijd hoger is dan de werkelijke leeftijd—wordt in verband gebracht met cognitieve beperkingen, een verhoogd risico op neurodegeneratieve ziekten en slechtere fysieke en mentale fitheid.
"De brain age gap biedt een manier om de hersengezondheid van een individu te kwantificeren door de afwijking van het normale verouderingsproces te meten," legt de hoofdonderzoeker uit. "Dit kan helpen om mensen te identificeren die risico lopen op aandoeningen zoals de ziekte van Alzheimer of Parkinson, jaren voordat symptomen zichtbaar worden."
Het onderzoeksteam trainde hun modellen op duizenden hersenscans van gezonde proefpersonen en valideerde deze vervolgens op onafhankelijke datasets. De modellen behaalden indrukwekkende nauwkeurigheid met gemiddelde absolute fouten van slechts 4-5 jaar. Belangrijk is dat de technologie een sterke betrouwbaarheid liet zien over verschillende scanapparatuur en protocollen heen.
Deze ontwikkeling betekent een belangrijke stap richting gepersonaliseerde monitoring van hersengezondheid. Nu de wereldbevolking vergrijst, kunnen dergelijke tools van onschatbare waarde zijn voor vroege interventiestrategieën, waardoor clinici mogelijk preventieve maatregelen kunnen nemen voordat onomkeerbare neurodegeneratie optreedt. De onderzoekers zijn inmiddels begonnen met het verkennen van toepassingen in klinische omgevingen, met veelbelovende voorlopige resultaten voor het voorspellen van cognitieve achteruitgang.