Bethlehem, R.A.I., Seidlitz, J., White, S.R., et al. Brain charts for the human lifespan.

Nature 604(7906): 525-533 (2022)

“生长发育图表(growth chart)是公共卫生与健康领域的重要工具。它不仅可以揭示儿童发育(如身高体重)的一般规律,为生长发育(如营养摄入情况)评估提供健康参考,而且也可以为各类发育障碍发出预警信号,用于辅助诊断相关疾病,在家庭养育和临床实践中被广泛应用。”

–彩巢计划三部曲:工欲效其事, 必先信其器一生最好是少年青春期的“脑中乾坤”

摘要

在过去的几十年里,神经影像已经成为人类脑科学研究中普遍使用的工具。然而,与身高和体重等人体特征的生长发育图表相比[1],神经影像指标尚缺乏类似参考标准以量化个体差异。因此,我们建立了一个交互式的开放资源,通过已有的或将来采集的磁共振成像(Magnetic Resonance Imaging, MRI)数据样本评估大脑形态。为了将这些参考图表建立在现有的最大最广的数据集上,避免由全球人口多样性造成的MRI研究偏差,我们汇总了来自100多个研究中的101457名志愿者的123984次磁共振扫描影像,他们的年龄范围从孕115天到100岁(图1a)。基于大脑形态结构毕生发展的非线性轨迹[2]和变化率来量化大脑组织的体积和其他全局、局部指标的百分位数。绘制的脑图表发现了从未被揭示过的神经发育里程碑[3],在纵向发展评估中表现出很高的稳定性,并具备应对不同研究之间技术和方法差异的稳健性。同时,与非百分位数的MRI表型相比,脑图表百分位数显示出更高的遗传性,并为揭示神经和精神疾病的神经解剖变异模式提供了非典型大脑结构的标准化测量指标。总之,以多种常用神经影像表型常模轨迹作为基准,脑图表在量化个体变异的道路上迈出了重要一步。

前言

用于量化年龄变化相关的生长图表的简单框架最早发表于18世纪晚期,现在仍然是儿科医疗卫生的基石,被用作标准化常模来衡量个人发展轨迹[1]。然而,生长图表目前只适用于一少部分的人体特征测量,如身高、体重和头围,而且只针对生命周期的前十年。虽然人类大脑从孕期到三十岁经历了一个漫长而复杂的成熟过程[4],然后大约从六十岁开始逐渐衰老[5],但目前还没有类似的图表可以量化与年龄相关的大脑变化。随着科学研究的进行,人们越来越意识到精神疾病是大脑异常发育的结果[6],而神经退行性疾病是由大脑的病理性变化所致[7]。缺乏评估大脑发育和老化的标准化工具,对于精神神经疾病的研究和应用有巨大影响。早产和神经遗传障碍也导致大脑结构异常[8,9],这种影响甚至会持续到成年[9,10],并与后续的学习和心理健康障碍有关。精神疾病和老年痴呆是全球最大的健康负担[11],凸显了绘制各年龄段规范化脑图表、为大脑毕生发展提供标准化的量化依据的紧迫性[12]

由于整合来自不同发展阶段、不同研究方法所获取的研究数据等方面存在巨大挑战,导致在过去几十年的神经影像研究中,还没有实现这样的人脑测量标准[13]。例如,尽管有证据表明早期的生物物理和分子细胞过程深刻地影响毕生神经发展轨迹[14,15]以及精神疾病的易感程度[3],但围产期却很少被纳入与年龄相关的大脑发展变化的分析中。虽然有证据表明很多疾病,尤其是各类精神疾病[16,17],具有共同的风险因素和致病机制,但很多研究通常只聚焦于单一疾病。克服不同研究中方法和技术的异质性,统筹不同研究中的数据以解决现有研究中的不足,仍具有巨大的挑战。与身高或体重等相对简单的人体特征测量相比,大脑形态测量对扫描仪器平台和成像序列、数据质量控制、预处理和统计分析的变化高度敏感[18],严重限制了单一研究估算的发育轨迹的可推广性[19]。协同合作促进了大规模数据收集[20,21]、神经影像数据处理方法学进展[22,23]并验证了生长曲线建模统计框架[2,24,25],为MRI脑影像表型的毕生发展规范化和量化提供了更加全面和适用的方法体系。本研究从如下方面证明了绘制人脑毕生发展图表已具备可行性:1) 对多种MRI表型确定了性别、年龄相关的标准发展过程;2) 揭示了之前尚未报道过的大脑发展里程碑;3) 提高了检验先天基因和早期生活环境对大脑结构影响的敏感性;4) 对多种临床疾病中收集到的大脑神经解剖异常提供了能够定量的标准化效应量。这项工作表明,构建标准图表来衡量大脑结构的个体差异已经可以在全球范围内和整个生命进程中实现;并为未来神经影像研究提供了一套开放的科学资源,将加速推进MRI数据标准化定量评估的进程。

构绘典型的脑生长

通过使用世界卫生组织推荐的用于建模非线性成长轨线的位置、尺度、形状广义加性模型[2,24](Generalised Additive Models for Location,Scale and Shape, GAMLSS),本研究构建了毕生发展的脑生长图表。此前,GAMLSS和相关的统计框架已被应用于大脑结构和功能MRI表型的发育建模[19,26,27,28,29,30,31]。这一GAMLSS通过使用更大规模的样本对经验性的模型选择进行优化,估计毕生发展中不同性别个体的非线性年龄相关趋势(中位数和方差),并根据多个随机效应参数来解释MRI表型的站点或研究特异的“批次效应”。具体而言,对个体脑组织的体积,包括皮层灰质总体积(Grey Matter Volume, GMV)、白质总体积(White Matter Volume, WMV)、皮层下灰质总体积(subcortical Grey Matter Volume, sGMV)和脑脊液总体积(Cerebrospinal Fluid Volume, CSF)的MRI测量样本进行了GAMLSS模型拟合(图1b-e)。辅助表格1.1-1.8展示了数据集的获取、处理和人口学等细节信息。辅助信息19包括所有为此参照数据集做出贡献的数据库细节,包括多个已经公开共享的MRI数据集[32,33,34,35,36,37,38,39,40,41,42]

毕生发展曲线分析结果发现,GMV从妊娠中期开始快速增长,在5.9岁达到峰值,随后呈近线性下降,这一峰值比此前研究结果(年龄段有限且样本小[43,44])延迟了2-3年;WMV也从妊娠中期到幼儿期迅速增加,但峰值年龄为28.7岁,在50岁后WMV呈加速下降;sGMV则表现为介乎GMV和WMV的中间生长模式,在青春期14.4岁达到峰值;这里,WMV和sGMV峰值均与之前的神经影像学和尸检研究结果报告一致[45,46];CSF在2岁前呈增长趋势,随后保持平稳到30岁前,然后自60岁时起呈缓慢的线性增长;从个体差异角度,GMV个体差异早期逐渐增加,在4岁时达到峰值,而sGMV的变异性则在青春期晚期达到峰值,WMV在40岁左右个体间变异最大,有趣的是,CSF则是在靠近人类生命末期时,不同个体之间变化最大。

图1 人脑图表

扩充神经影像表型

GAMLSS建模方法也评估了全脑的平均皮层厚度、表面积和34个皮层区域[47]体积的发展(图2)。结果表明,人脑皮层总面积与总体积(Total Cerebrum Volume, TCV)表现出类似的生命周期发展轨迹,两者均在11-12岁时达到峰值;相比之下,皮层厚度则在1.7岁时就达到峰值,这与以往的研究结果相符,即皮层厚度在围产期增加[48],在发育后期下降[49];此外,不同区域的神经发育轨迹的峰值存在显著的区域差异,与5.9岁时GMV达到峰值相比,34个皮层区域的灰质体积达到峰值的年龄变化很大,区域之间从2岁到10岁不等,初级感觉区域达到体积峰值最早,而额颞联合皮层区域达到体积峰值较晚;总体而言,成熟较早的腹侧-尾侧区域皮层的体积峰后下降速度较快,而成熟较晚的背侧-喙侧皮层的体积峰后下降速度较慢;这种空间发展轨迹的分布格局再现了与大脑结构和功能密切相关的“基础感知觉-联合皮层”梯度[50]

图2 扩展的全局和区域性皮层形态表型

发展里程碑

神经影像里程碑被定义为特定脑组织体积的影像指标发展轨迹拐点。只有GMV发展的峰值里程碑是青春期开始前[51],sGMV的峰值里程碑则在青春期中期,而WMV发展的峰值里程碑是青年期(图3上)。GMV、sGMV和WMV的增长率均在婴幼儿期达到峰值,而TCV的增长速度大约在7个月时达到峰值。TCV和sGMV的两个主要里程碑(大小及速率峰值)与新生儿早期和青少年时期的身高和体重变化速度高峰相吻合[52,53]。平均皮层厚度的峰值速度甚至更早,在产前-0.38年(相对于出生),大约对应于妊娠中期。这一皮层变厚速度的早期峰值,以前并没有报道过,部分原因是难于获取足够并一致的围产期MRI数据[54]。同样,常模轨迹揭示了GMV与WMV比例的早期分化,从出生后第一个月到三岁左右,二者比例优势逐渐从WMV为主变换为GMV为主。这一比例的分化,可能反映了背后的髓鞘形成或突触增长[4,55,56,57,58],这在之前的研究中尚未被界定[45,59]。本研究能够揭示这一现象,是因为聚集了大量低龄(年龄小于两岁)的早期发育MRI数据。GMV与WMV比例分化的阶段与脑代谢的动态变化(0-3月龄)[60]、静息代谢率(最小7月龄,最大4.2岁)[61]、获得运动的能力和其他早期儿科里程碑的典型时期[62],以及TCV变化最快的时期相重合(图3)。

图3 神经发展里程碑

个体化百分位数

基于所建立的标准化脑图表,可以计算每次扫描的个体化百分位数。在概念上,这种方法类似于分位数排名映射[26,28,29]。典型而普通的MRI表型,在扫描中获得标准的百分位得分数,非典型或异常的MRI表型,在扫描中则表现为更极端的百分位数。多样化的临床数据集,使得本研究能够全面地理解临床对照研究中百分位数的个体特异性。相对于对照组,患有不同疾病的病例,表现出了显著差异的百分位数(图4),效应量从中等(0.2~0.8)到较大(> 0.8)。临床病例对照的统计学比较显示,两组皮层厚度和表面积的差异与其体积组间差异具有大体相同的趋势。阿尔茨海默病(Alzheimer’s Disease, AD)表现出最大的总体差异,最明显差异表现为女性患者的脑灰质体积萎缩。为量化所有脑组织MRI形态相对于对照组的变化,本研究提出了一个累积偏差指标(马氏距离百分位数, CentileMahalanobis distance,CMD)。精神分裂症的CMD排名第三,紧跟AD和轻度认知障碍(Mild Cognitive Impairment, MCI)之后。综上,基于每个MRI表型和CMD的多个百分位数,显示了临床疾病的共享和独特机制;对不同疾病间的多变量百分位数进行聚类分析,揭示了三个疾病类型:神经退行性疾病、情绪/焦虑、神经发育障碍。

跨越整个生命周期中的不同阶段[63],无论诊断类别如何,病例的CMD始终大于对照组。不同时期之间最大的差异发生在成年晚期以及青春期。成年晚期个体罹患痴呆的风险增加,而在青春期,精神疾病的发病率被公认为显著增加。在涵盖毕生发展的五项重要研究中,全脑组织的平均百分位数与早产的两项指标相关,胎龄和出生体重越大,平均百分位数越高。双生子研究表明,大脑表型百分位数检测到更明显的遗传基础。总之,大脑MRI形态学指标的百分位常模可检测到病例-对照组间差异以及遗传因素,以及早产等因素长期影响[10](图4)。

图4 百分位数的病例-对照差别和遗传度

百分位数的纵向变化

本研究中纵向影像数据相对匮乏(仅约10%数据),而常模通过从单一时间点收集的横断面数据中估算,因此横断面模型对纵向评估的适用性非常重要。使用四分位差对纵向重复扫描的被试内百分位数的变异进行评估,结果发现这一差值在临床和对照组中都很低,尽管也有一些证据表明研究间和疾病间存在被试内变异的差异,但上述结果表明了大脑结构形态的百分位数总体上是稳定的。值得关注的是,对于诊断类别发生改变的病人,如在纵向追踪扫描的过程中病人由MCI进展为AD,那么病人的百分位数会表现出显著被试内变异增加。被试内变异性在年轻群体中也略高,这可能反映了与年轻个体扫描相关的技术和质量控制等方面的挑战,但同时通过其它人体测量特征观察到的早期发育的变异性也增加,两类证据相一致[64]

新磁共振成像数据的百分位赋分

构建大脑图表的关键挑战之一是确定样本外MRI数据的精确百分位数,这一挑战在本研究已用于估计脑发育轨迹常模的参考数据集中无法体现。因此,研究团队认真评估了这种计算“新”扫描数据脑图表百分位数的可靠性和有效性。对于每一项新的MRI研究,使用最大似然估计来计算个体与对应年龄的标准轨迹间的统计学偏移,并根据偏移轨迹对新研究中个体的百分位数进行评估(图5)。在多个重测数据集中发现,样本外百分位数是高度可靠的,并且对图像处理工具的变化具有鲁棒性。分析表明,一个扫描样本量大于100的研究,足以稳定和无偏地估计样本外百分位数,这一样本量的需求与以往许多脑影像学研究的结论一致。因此,在小规模研究或单次个体化临床扫描中并不能直接来使用大脑图表生成的百分位数。

图5 脑图表示意图,突出强调新样本百分位赋分方法

讨论与启示

本研究汇集了迄今为止最庞大的MRI数据集,基于生长图表的概念,绘制了典型和非典型人脑发育和老化的图表,在人生百年的范围内界定了大脑发展的里程碑和关键期。孕期17周时,脑体积约为成年期10%,3岁时则达80%成人脑体积。以标准神经影像发育轨迹为参考,评估个体化百分位数。同时,这一百分位数表现出与神经精神障碍及其各类表型显著相关。此外,这一常模评估分数,与原始数据相比,可显著增强影像遗传学研究[65]检测遗传度的效力,这可能是由于GAMLSS模型将众多研究的多样性融合协调一致,从而增加了大规模研究的常模泛化水平。

与儿科生长图表的类比并不意味着脑图表可以立即应用于临床实践,并对病人个体进行定量诊断。即使对于传统的人体测量生长图表(身高、体重和身体指数),在儿童个体的诊断解释上也仍然存在明显的注意事项和细微差别[66]。同样,未来还需要开展系统化研究来验证脑图表的临床诊断效用。当然,本研究目前的结果已预示了未来非典型大脑结构发展的数字化辅助诊断进展[67]。通过提供特定年龄和性别下的群体参考标准,使用百分位数可以跨越不同生命周期阶段的疾病进行诊疗;而其纵向测量的高稳定性也有助于对疾病转归的诊断,比如MCI到AD的应用,为百分位数在未来进行性神经退行疾病方面的临床应用,提供了一个定量预测或诊断的案例。本研究提供了标准化的脑生长图表和在线工具,为检测临床样本中的非典型脑结构形态,创造了群体参照的量化评估方法。

本研究存在若干局限。首先,即使是在如此大型数据集中,人群仍然存在采样偏差,本研究中的志愿者多来自欧洲和北美人群。遗憾的是,这类偏差在临床和科学研究中很常见,包括人体测量生长图表和遗传研究的基础数据集,也是全球科学界必须解决的不平等问题[68]。在脑图表的研究中,进一步增加MRI研究的种族、社会经济地位和人群多样性,将能绘制出更具有代表性的常模轨线[69,70],有望在合适常模下增加百分位数精度并加强其相关解释力[26]。其次,数据集的年龄分布是不均匀的,比如胎儿、新生儿和中年(30-40岁)的代表性不足。此外,虽然使用了统计建模方法来减轻特定研究或站点对百分位数影响,但并不能完全纠正研究设计的某些局限性,如临床诊断标准的偏差或变异。通过遵循和人体测量学生长图表的类似逻辑,本研究按生理性别将毕生发展模型进行了分类[71];已有研究均已证实男性的脑体积绝对值大于女性,但这并不表明在临床或认知结果方面存在任何性别差异,根据自我报告对生理性别和心理性别进行更加详细的区分可以作为未来研究的实验设计考虑之一。最后,脑图表的使用也不能回避对MRI数据质量控制的基本要求。研究表明,在包含了低质量扫描数据的情况下,全脑结构形态MRI表型的GAMLSS模型依然非常稳健,但不应假设其适用于特定区域MRI或功能MRI表型的脑图表建模。因此,MRI数据质量控制仍然是至关重要的基本处理需求。

本研究中主要关注全脑范围、大尺度的脑影像学表型。这主要是因为考虑其在最大的样本、在最广泛的年龄范围内的可行性,受方法、理论和数据共享的限制最少。同时,也提供了局部区域灰质体积的脑图表,证明了脑毕生发展在皮层架构上的异质性,并阐明了这种方法对各种高精度MRI表型的潜在用途。随着越来越多的高质量MRI数据积累、越来越多高时空精度多模态神经影像表型[72]的增加,以及开放式大团队科学研究实践的推进,脑图表将不断迭代更新。这种变化需要开发和使用精准的数据质量控制程序,支撑稳健的脑图表建模。为了促进基于脑参考图表的研究,本团队在www.brainchart.io上提供了交互式工具,可以协助计算毕生发展中的新数据的标准化百分位数,探索这些统计模型的未来研究与转化。

方法

参见原文

参考文献

参见Nature原文的参考文献列表

中文稿译校组

翻译: 陈丽珍; 初校: 左西年; 校审: 杨宁 王银山 张蕾 范雪如 陆秋宇

本译文仅用于研究交流,版权所有,转载请同时注明原文和译文出处,禁止任何商业用途。

联系邮箱 deepneuro@bnu.edu.cn.

原文作者列表

R. A. I. Bethlehem, J. Seidlitz, S. R. White, J. W. Vogel, K. M. Anderson, C. Adamson, S. Adler, G. S. Alexopoulos, E. Anagnostou, A. Areces-Gonzalez, D. E. Astle, B. Auyeung, M. Ayub, J. Bae, G. Ball, S. Baron-Cohen, R. Beare, S. A. Bedford, V. Benegal, F. Beyer, J. Blangero, M. Blesa Cábez, J. P. Boardman, M. Borzage, J. F. Bosch-Bayard, N. Bourke, V. D. Calhoun, M. M. Chakravarty, C. Chen, C. Chertavian, G. Chetelat, Y. S. Chong, J. H. Cole, A. Corvin, M. Costantino, E. Courchesne, F. Crivello, V. L. Cropley, J. Crosbie, N. Crossley, M. Delarue, R. Delorme, S. Desrivieres, G. A. Devenyi, M. A. Di Biase, R. Dolan, K. A. Donald, G. Donohoe, K. Dunlop, A. D. Edwards, J. T. Elison, C. T. Ellis, J. A. Elman, L. Eyler, D. A. Fair, E. Feczko, P. C. Fletcher, P. Fonagy, C. E. Franz, L. Galan-Garcia, A. Gholipour, J. Giedd, J. H. Gilmore, D. C. Glahn, I. M. Goodyer, P. E. Grant, N. A. Groenewold, F. M. Gunning, R. E. Gur, R. C. Gur, C. F. Hammill, O. Hansson, T. Hedden, A. Heinz, R. N. Henson, K. Heuer, J. Hoare, B. Holla, A. J. Holmes, R. Holt, H. Huang, K. Im, J. Ipser, C. R. Jack Jr, A. P. Jackowski, T. Jia (贾天野), K. A. Johnson, P. B. Jones, D. T. Jones, R. S. Kahn, H. Karlsson, L. Karlsson, R. Kawashima, E. A. Kelley, S. Kern, K. W. Kim, M. G. Kitzbichler, W. S. Kremen, F. Lalonde, B. Landeau, S. Lee, J. Lerch, J. D. Lewis, J. Li (李娇), W. Liao (廖伟), C. Liston, M. V. Lombardo, J. Lv, C. Lynch, T. T. Mallard, M. Marcelis, R. D. Markello, S. R. Mathias, B. Mazoyer, P. McGuire, M. J. Meaney, A. Mechelli, N. Medic, B. Misic, S. E. Morgan, D. Mothersill, J. Nigg, M. Q. W. Ong, C. Ortinau, R. Ossenkoppele, M. Ouyang, L. Palaniyappan, L. Paly, P. M. Pan, C. Pantelis, M. M. Park, T. Paus, Z. Pausova, D. Paz-Linares, A. Pichet Binette, K. Pierce, X. Qian, J. Qiu (邱江), A. Qiu (仇安琪), A. Raznahan, T. Rittman, A. Rodrigue, C. K. Rollins, R. Romero-Garcia, L. Ronan, M. D. Rosenberg, D. H. Rowitch, G. A. Salum, T. D. Satterthwaite, H. L. Schaare, R. J. Schachar, A. P. Schultz, G. Schumann, M. Schöll, D. Sharp, R. T. Shinohara, I. Skoog, C. D. Smyser, R. A. Sperling, D. J. Stein, A. Stolicyn, J. Suckling, G. Sullivan, Y. Taki, B. Thyreau, R. Toro, N. Traut, K. A. Tsvetanov, N. B. Turk-Browne, J. J. Tuulari, C. Tzourio, É. Vachon-Presseau, M. J. Valdes-Sosa, P. A. Valdes-Sosa, S. L. Valk, T. van Amelsvoort, S. N. Vandekar, L. Vasung, L. W. Victoria, S. Villeneuve, A. Villringer, P. E. Vértes, K. Wagstyl, Y. S. Wang (王银山), S. K. Warfield, V. Warrier, E. Westman, M. L. Westwater, H. C. Whalley, A. V. Witte, N. Yang (杨宁), B. Yeo, H. Yun, A. Zalesky, H. J. Zar, A. Zettergren, J. H. Zhou (周涓), H. Ziauddeen, A. Zugman, X. N. Zuo (左西年), 3R-BRAIN, AIBL, Alzheimer’s Disease Neuroimaging Initiative, Alzheimer’s Disease Repository Without Borders Investigators, CALM Team, Cam-CAN, CCNP, COBRE, cVEDA, ENIGMA Developmental Brain Age Working Group, Developing Human Connectome Project, FinnBrain, Harvard Aging Brain Study, IMAGEN, KNE96, The Mayo Clinic Study of Aging, NSPN, POND, The PREVENT-AD Research Group, VETSA, E. T. Bullmore & A. F. Alexander-Bloch

英文原文

本文并非百分之百的照搬翻译Nature原文,而是根据实际情况做了微调。

媒体报道

“两百多年前,法国鸟类学家Count Philibert de Montbeillard绘制了首个生长图表,用来监测儿子从出生到18岁的身高。一个生长图表代表了一份令人叹为观止的人体测量、统计汇总和图表设计的合成品,通常被界定为“通往健康之路”,也是临床儿科医疗的奠基石。与衡量儿童身高、体重等身体特质的生长图表相比,目前尚无可用于量化大脑成熟与老化的参考标准。为此,来自全球200多个研究单位的科研人员汇集了10万1457名志愿者工共12万3984次磁共振脑扫描影像,跨越了从受孕后115天到出生后100年的生命周期,利用WHO推荐的生长图表统计建模方法GAMLSS,建立了人类大脑毕生发展的发展图表常模,据此确定个体在同龄人中的“百分位数”来量化其大脑遵循标准发展轨迹与否。这些生长图表按性别进行了分类,克服了不同研究中个体评估和技术手段的差异,可以稳定地检测神经与精神疾病的脑形态变化。利用这些图表,研究团队揭示了图1所示人脑毕生发展的里程碑,可帮助确定人脑的发展关键时期。”

北京师范大学 (2022) 左西年课题组参与《Nature》发文揭示人脑毕生发展里程碑

“中国活体人脑数据库是国家基础学科数据中心重点推进并面向国际科学前沿的数据库,不仅汇集了各年龄段的脑成像大数据,而且在其智能化信息处理及技术和平台研发上也取得了进展,支撑了发展群体神经科学的科学前沿。面向科学研究领域的可重复性挑战,中心在开放式平台和数据资源上的积累,无缝地契合了人脑发展图表这一全球开放合作的开放科学研究新范式,助力脑科学解决可重复性挑战,迈向大科学时代。”

-国家基础学科公共科学数据中心 (2022) “中国活体人脑数据库”助力国际人脑图表联盟在《自然》发文揭示人脑毕生发展里程碑

“Based on more than 120,000 brain scans, the charts are still preliminary. But researchers hope they could one day be used as a routine clinical tool by physicians.”

-Nature News (2022) Your brain expands and shrinks over time — these charts show how

The open data revolution won’t happen unless the research system values the sharing of data as much as authorship on papers.

-Nature Editorial (2022) Time to recognize authorship of open data

“The data on ventricular volume (the amount of cerebrospinal fluid in the brain) is a particular surprise: scientists knew it increases with age, because it is typically associated with brain atrophy, but not how rapidly it tends to grow in late adulthood.”

Nature News (2022) Brain growth charts, discovery gap — the week in infographics

“An ambitious project to construct standardized charts for the development of the human brain. The charts could provide an important resource to aid the recognition of typical and atypical brain development and identification of pathological changes in the brain.”

Nature Reviews Neurology (2022) Research Highlight: Charting brain development across the human lifespan

“The charts are the result of a research project spanning six continents and bringing together possibly the largest ever MRI datasets ever aggregated – almost 125,000 brain scans from over a 100 different studies. Although not currently intended for clinical use, the team hopes the charts will become a routine clinical tool similar to how standardised paediatric growth charts are used.”

Cambridge University (2022) Brain charts: Mapping the rapid growth and slow decline of the human brain over our lifetime

“Our brains are unique snowflakes that change shape throughout our lives. Yet buried underneath individual differences is a common throughline, with the brain growing rapidly during childhood then slowly declining with age.”

Singularity Hub (2022) Largest-Ever Collection of Brain Maps Charts How the Brain Changes Over a Lifetime
admin Uncategorized

Leave a Reply

Your email address will not be published.