数据日期 2026-10-25 · 生成时间 2026-10-25 05:54
档位说明：本文为摘要级卡片，仅依据期刊公开摘要与 PubMed 元数据撰写，付费墙全文未获取、未逐节核验；摘要中被截断或不可见的效应量，本站不做任何推算补全。
研究问题
脑龄预测是刻画脑老化个体差异的重要路径，但深度学习模型日益复杂，使预测性能与可解释性之间出现巨大鸿沟。可解释人工智能（XAI）如何填补？
方法
系统综述。系统检索 PubMed、Web of Science、ScienceDirect，纳入 32 项合格研究，按事后解释方法与内在可解释模型两类组织。进一步提出四维操作框架：算法可靠性（Algorithm Reliability）、稳健性与可复现性（Robustness and Reproducibility）、生物学验证（Biological Validation）、临床效用（Clinical Utility）。
核心结论
综述文献显示研究正从局部特征归因转向生成式、解纠缠、基于注意力与具有解剖学意义的表征。但解释结果仍对方法学与影像相关因素敏感，而脑龄差（BAG）还受年龄依赖性、校准、参照人群构成与站点异质性影响。未来研究应强调标准化评估与前瞻性临床验证，以开发可靠且具有临床意义的脑龄生物标志物。
局限
综述，无新数据；纳入研究仅 32 项且异质性高；"四维框架"缺乏量化评分标准；可解释性方法本身缺少金标准验证。
对本项目的价值
★★★☆☆ 明确指出 BAG 的年龄依赖性与校准问题——这是项目若采用脑龄作为终点时最容易踩的坑；四维框架可作为生物标志物评估清单使用。
原文题录
- 英文标题：Application of interpretable deep learning in brain age prediction: a comprehensive review
- 期刊与标识：Rev Neurosci｜PMID 42904440｜DOI 10.1515/revneuro-2026-0186（CrossRef ✅）
C 级证据分级：C 级（预印本 / 观点评论，非原始研究）
本文属观点/评论类文献，不是原始研究。其论点依赖于作者对既有证据的梳理与判断，不构成新的实验证据。本站标注 C 级即为此意——阅读时请把它当作「领域内的思考框架」，而非「研究发现」。
关于本文的文献来源：本站依据 IMA 知识库「五刊监控·深度文献卡片」（SOP §4.2 摘要级）撰写，依据期刊公开摘要与 PubMed 元数据；付费墙全文未获取之处已标注「待补全文」，未做任何数值推算补全。