随着年龄的增长，大脑功能经历着动态变化。了解这些变化与实足年龄的关系对于掌握衰老过程、社会经济差异以及大脑疾病如阿尔茨海默病至关重要。大脑时钟模型作为一种衡量大脑健康的多维指标，已显示出捕捉多模态多样性的潜力。

拉丁美洲和加勒比地区（LAC）的人群由于遗传多样性和不同的环境暴露因素，展现出独特的大脑表型。社会经济不平等、污染、医疗保健获取限制以及教育程度等因素，均对大脑健康产生影响。然而，对于这些地区人群的脑年龄模型研究相对缺乏。

性别差异在大脑变化中扮演着关键角色。研究表明，女性大脑萎缩速度可能快于男性，且性别不平等与大脑皮质厚度的差异有关。结构性性别不平等可能进一步影响大脑健康。

尽管多模态机器学习在大脑衰老研究中显示出希望，但大多数研究依赖于结构性磁共振成像（MRI），忽略了大脑网络的动态。功能磁共振成像（fMRI）和脑电图（EEG）提供了追踪大脑网络动力学的互补方法。

本研究采用了图卷积网络（GCN）分析fMRI和EEG信号的功能连接，以预测脑年龄差距并评估多模态多样性的影响。研究假设模型能够准确预测脑年龄差异，并对地理、社会人口、性别、健康差异和暴露因素敏感。

脑年龄差距：LAC模型显示较大的脑年龄，特别是在功能磁共振成像和脑电图中与前后脑网络相关的误差。

社会经济因素：结构性社会经济不平等、污染和健康差异是脑年龄差距增加的重要预测因素，尤其在LAC地区。

疾病连续体：从健康对照组到轻度认知障碍再到阿尔茨海默病，大脑年龄差距呈上升趋势。

性别差异：在LAC中，女性与男性相比，在对照组和阿尔茨海默病组中脑年龄差距更大。

本研究提供了一个定量框架，捕捉了大脑加速衰老的多样性，并强调了社会经济和健康差异对大脑健康的影响。研究结果不仅增进了我们对大脑衰老过程的理解，也为全球健康差异和大脑疾病的研究提供了新的视角。

未来的研究需要进一步探索不同地区、性别和社会经济背景下的脑年龄差异，以及如何利用这些信息来改善全球健康和疾病预防策略。同时，深度学习与多模态数据的结合为开发更准确的大脑时钟模型提供了新的可能性。