Sex-Specific Brain Age Prediction Using 3D-CNN and Brain Aging Simulation with Conditional GAN

Abstract

Brain age prediction using neuroimaging has emerged as a pivotal tool for assessing brain health and understanding aging processes. These models leverage structural MRI data to accurately predict brain age, identify patterns linked to chronological aging, and detect abnormal trajectories associated with neurodegenerative diseases. Recent advancements, such as the integration of visualization techniques like Gradient-weighted Class Activation Mapping (Grad-CAM), have enhanced the interpretability of these models by identifying key brain regions contributing to predictions. Building on the strengths of brain age prediction, this study introduces a complementary approach through brain aging simulation using advanced generative models. A 3D-CNN model was developed using a large dataset of T1-weighted MRI scans from the UK Biobank (N=37,283), achieving mean absolute errors (MAE) of 2.41, 2.47, and 2.63 years for combined, female, and male models, respectively. Grad-CAM analysis further revealed differences in brain regions influencing predictions across sexes, highlighting the importance of demographic factors in brain aging research. Additionally, a conditional Generative Adversarial Network (cGAN) was utilized to simulate realistic aging trajectories, conditioned on age and sex, using longitudinal data (N=3,754). The model demonstrated strong generative performance, achieving a structural similarity index (SSIM) > 0.97 and producing biologically plausible aging patterns validated through modified normalized cross-correlation (mNCC) analysis (Generated vs. Ground Truth mNCC: 0.346 ± 0.053). By integrating predictive and generative frameworks, this study provides a more holistic approach to understanding brain aging, combining accurate predictions with dynamic simulations. The proposed models pave the way for personalized assessments of brain health, enabling early detection of abnormal aging and supporting the development of targeted interventions in precision medicine.;뇌 영상 데이터를 활용한 뇌 나이 예측은 뇌 건강 평가와 노화 과정을 이해하는 데 있어 중요한 도구로 자리 잡았다. 본 연구는 구조적 T1-가중 뇌 자기공명영상(MRI) 데이터를 기반으로 한 뇌 나이 예측 모델과 뇌 노화 시뮬레이션 모델을 통합하여 보다 포괄적인 뇌 노화 분석을 시도하였다. 37,283명의 UK Biobank 데이터를 활용하여 3차원 합성곱 신경망(3D-CNN) 기반 뇌 나이 예측 모델을 개발하고 성별 특화 모델을 구축하였다. 뇌 나이 예측 통합 모델은 평균 절대 오차(MAE) 2.41년을 달성하였으며, 여성 특화 모델은 2.47년, 남성 특화 모델은 각각 2.63년의 성능을 기록하였다. 그래디언트 기반 클래스 활성화 맵핑(Grad-CAM) 기법을 활용하여 성별에 따른 뇌 나이 예측 기여 영역의 차이를 분석한 결과, 성별에 따른 뇌 구조적 특성의 차이가 발견되었다. 또한, 3,754명의 종단적 데이터를 기반으로 조건부 생성적 적대 신경망(cGAN)을 구현하여 뇌 노화 시뮬레이션을 수행하였다. 모델은 구조적 유사성 지수(SSIM) > 0.97을 달성했으며, 수정된 정규화 상관계수(mNCC) 분석(생성 이미지 vs. 실제 이미지 mNCC: 0.346 ± 0.053)을 통해 생성된 데이터의 생물학적 신뢰성을 입증하였다. 본 연구는 예측 모델과 생성 모델의 통합을 통해 뇌 나이 예측과 노화 시뮬레이션의 새로운 가능성을 제시하며, 개인 맞춤형 뇌 건강 평가와 정밀 의료를 위한 뇌 노화 연구의 활용 가능성을 한층 확장하였다.