Cortical thinning is associated with pruning, neuroplasticity, and cognitive decline throughout the different phases of the lifespan. While age is a crucial factor in predicting thinning, it does not account for all its variability. To advance our comprehension of this process, we utilize Magnetic Resonance Imaging data, a Multivariate Dataset, and Machine Learning techniques. Our objective is to predict cortical thickness and thinning by analyzing a diverse set of temporal and spatial variables, including age, cortical type, lobes, brain structures, curvature, and cytoarchitectonic information. To achieve that we utilized anatomical MRI of 871 participants without a history of neurological diseases to estimate cortical thinning trajectories throughout the lifespan. We also used cytoarchitecture profiles that were estimated based on the BigBrain database. To assess the optimal method for modeling cortical thickness, we developed models based on both vertex-level and brain-structure-level. We found that the brain-structures model outperformed the vertex-level approach in predicting thickness, being able to explain 87% of its variability. To predict thinning, we began by calculating human annual cortical thinning, following which we utilized a boosting algorithm to predict thinning using three different models. A temporal model (age as only variable) achieved an r-squared of 0.79, a spatial model (all variables except age) had a score of 0.58, and temporal-spatial reached 0.84. Through the use of Shapley additive explanations in the temporal-spatial model, we see the contribution and interactions of each variable to cortical thinning. Age was the feature that most contributed to the cortical thinning, followed by layer I thickness, cortical thickness at 10y.o. and layer IV thickness. Our examination suggests that regions that experience more thinning during development tend to undergo less thinning during aging, and this correlation is linked to Layer I thickness.

O afinamento cortical está associado à poda neural, neuroplasticidade e declínio cognitivo ao longo das diferentes fases da vida. Embora a idade seja um fator crucial na previsão do afinamento, ela não explica toda a sua variabilidade. O intuito deste estudo é avançar a compreensão desse processo, utilizando dados de Ressonância Magnética, dados multivariados e técnicas de Aprendizado de Máquina. Nosso objetivo é prever a espessura e o afinamento cortical por meio da análise de um conjunto diversificado de variáveis temporais e espaciais, incluindo idade, tipo cortical, lóbulos, estruturas cerebrais, curvatura e informações citoarquitetônicas. Para isso, utilizamos imagens de Ressonância Magnética anatômica de 871 participantes sem histórico de doenças neurológicas para estimar as trajetórias de afinamento cortical ao longo da vida. Também utilizamos perfis citoarquitetônicos estimados com base nos dados do BigBrain. Para avaliar o método ideal de modelagem da espessura cortical, desenvolvemos modelos baseados em nível de vértice e nível de estrutura cerebral. Descobrimos que o modelo de estruturas cerebrais superou a abordagem de nível de vértice na previsão da espessura, sendo capaz de explicar 87% de sua variabilidade. Para prever o afinamento, começamos calculando o afinamento cortical anual humano e, em seguida, utilizamos um algoritmo de boosting para prever o afinamento usando três modelos diferentes. Modelo temporal (idade como única variável) atingiu um r-quadrado de 0.79, modelo espacial (todas as variáveis, exceto idade) teve uma pontuação de 0.58, e modelo temporal-espacial atingiu 0.84. A idade foi a característica que mais contribuiu para o afinamento cortical, seguida pela espessura da camada I, espessura cortical aos 10 anos e espessura da camada IV. Nossa análise sugere que as regiões que experimentam mais afinamento durante o desenvolvimento tendem a sofrer menos afinamento durante o envelhecimento, e essa correlação está ligada à espessura da camada I.