研究团队开发了一种名为“耦合横断面与纵向非负矩阵分解”的新机器学习方法，通过同时分析横断面和纵向神经影像数据来捕捉主导的大脑衰老模式。该方法应用于来自iSTAGING研究的48,949名个体的神经影像数据，识别出七种独特、可重复且具有生物学相关性的神经解剖模式。量化个体对这些模式表达程度的负载系数，与认知、遗传和生活方式因素显示出显著关联。研究还开发了一个基于回归的工具，可在不重新运行整个框架的情况下估算外部队列的负载系数。这些发现有望改善神经退行性疾病的风险评估和治疗效果评价。该框架虽基于结构MRI演示，但可推广至其他成像模式和生物标志物类型。