We hypothesized that cerebral white matter deficits in schizophrenia (SZ) are driven in part by accelerated white matter aging and are associated with cognitive deficits. We used machine learning model to predict individual age from diffusion tensor imaging features and calculated the delta age (Δage) as the difference between predicted and chronological age. Through this approach, we translated multivariate white matter imaging features into an age-scaled metric and used it to test the temporal trends of accelerated aging-related white matter deficit in SZ and its association with the cognition. Followed feature selection, a machine learning model was trained with fractional anisotropy values in 34 of 43 tracts on a training set consisted of 107 healthy controls (HC). The brain age of 166 SZs and 107 HCs in the testing set were calculated using this model. Then, we examined the SZ-HC group effect on Δage and whether this effect was moderated by chronological age using the regression spline model. The results showed that Δage was significantly elevated in the age >30 group in patients (p < 0.001) but not in age ≤ 30 group (p = 0.364). Δage in patients was significantly and negatively associated with both working memory (β = -0.176, p = 0.007) and processing speed (β = -0.519, p = 0.035) while adjusting sex and chronological age. Overall, these findings indicate that the Δage is elevated in SZs and become significantly from middle life stage; the increase of Δage in SZs is associated with the decline neurocognitive performance.

中文翻译：

---

白质脑衰老与精神分裂症及其认知缺陷的关系

我们假设精神分裂症（SZ）中的脑白质缺乏症部分是由加速的白质衰老驱动的，并且与认知缺陷有关。我们使用机器学习模型根据扩散张量成像特征来预测个体年龄，并计算了δ年龄（Δage）作为预测年龄与年代年龄之间的差异。通过这种方法，我们将多元白质成像特征转换为年龄尺度指标，并用其测试了深圳加速老化相关的白质缺乏及其与认知的关联的时间趋势。在特征选择之后，在由107个健康对照（HC）组成的训练集中，使用43个区域中的34个区域的分数各向异性值训练了机器学习模型。使用此模型计算了测试集中的166个SZ和107个HC的大脑年龄。然后，我们使用回归样条模型检查了SZ-HC组对Δage的影响以及该影响是否被按年代划分的年龄所缓和。结果显示，年龄> 30岁的患者中Δage显着升高（p <0.001），而年龄≤30岁的患者中Δage没有升高（p = 0.364）。在调整性别和年龄时，患者的年龄与工作记忆力（β= -0.176，p = 0.007）和处理速度（β= -0.519，p = 0.035）呈显着负相关。总体而言，这些发现表明，ΔZ在SZs中升高，并且从中年开始显着升高。SZs中Δage的增加与神经认知能力下降有关。我们使用回归样条模型检查了SZ-HC组对Δage的影响，以及该影响是否被按年龄排序的缓解。结果显示，年龄> 30岁的患者中Δage显着升高（p <0.001），而年龄≤30岁的患者中Δage没有升高（p = 0.364）。在调整性别和年龄时，患者的年龄与工作记忆力（β= -0.176，p = 0.007）和处理速度（β= -0.519，p = 0.035）呈显着负相关。总体而言，这些发现表明，ΔZ在SZs中升高，并且从中年开始显着升高。SZs中Δage的增加与神经认知能力下降有关。我们使用回归样条模型检查了SZ-HC组对Δage的影响，以及该影响是否被按年龄排序的缓解。结果显示，年龄> 30岁的患者中Δage显着升高（p <0.001），而年龄≤30岁的患者中Δage没有升高（p = 0.364）。在调整性别和年龄时，患者的年龄与工作记忆力（β= -0.176，p = 0.007）和处理速度（β= -0.519，p = 0.035）呈显着负相关。总体而言，这些发现表明，ΔZ在SZs中升高，并且从中年开始显着升高。SZs中Δage的增加与神经认知能力下降有关。001），但年龄不超过30岁的人群（p = 0.364）。在调整性别和年龄时，患者的年龄与工作记忆力（β= -0.176，p = 0.007）和处理速度（β= -0.519，p = 0.035）呈显着负相关。总体而言，这些发现表明，ΔZ在SZs中升高，并且从中年开始显着升高。SZs中Δage的增加与神经认知能力下降有关。001），但年龄不超过30岁的人群（p = 0.364）。在调整性别和年龄时，患者的年龄与工作记忆力（β= -0.176，p = 0.007）和处理速度（β= -0.519，p = 0.035）呈显着负相关。总体而言，这些发现表明，ΔZ在SZs中升高，并且从中年开始显着升高。SZs中Δage的增加与神经认知能力下降有关。