L'âge est l'un des principaux facteurs de risque connus pour la maladie d'Alzheimer (MA). La détection précoce de la MA est cruciale pour un traitement efficace et la prévention des dommages cérébraux irréversibles. L'âge du cerveau, une mesure dérivée de l'imagerie cérébrale reflétant les changements structurels dus au vieillissement, pourrait avoir le potentiel d'identifier l'apparition de la MA, d'évaluer le risque de la maladie et de planifier des interventions ciblées. Les techniques de régression basées sur l'apprentissage profond pour prédire l'âge du cerveau à partir d'images par résonance magnétique (IRM) ont montré une grande précision récemment. Cependant, ces méthodes sont sujettes à un effet de régression vers la moyenne inhérent, qui cause un biais systématique entraînant une surestimation de l'âge du cerveau chez les sujets jeunes et une sous-estimation chez les sujets âgés. Ceci affaiblit la fiabilité de l'âge du cerveau prédit en tant que biomarqueur valide pour les applications cliniques ultérieures.Dans cet article, nous reformulons la tâche de prédiction de l'âge du cerveau en passant de la régression à la classification afin d'aborder le problème du biais systématique. Reconnaissant l'importance de conserver les informations ordinales provenant des âges pour comprendre la trajectoire du vieillissement et surveiller le vieillissement longitudinalement, nous proposons une nouvelle fonction de perte appelée ORdinal Distance Encoded Regularization (ORDER), qui intègre l'ordre des étiquettes d'âge, améliorant ainsi la capacité du modèle à capturer les modèles liés à l'âge. Des expériences approfondies et des études d’ablation montrent que ce cadre réduit le biais systématique, surpasse les méthodes actuelles avec des marges statistiquement significatives et peut mieux saisir les différences subtiles entre les groupes cliniques dans un jeu de données indépendant sur la MA. Notre implémentation est publiquement disponible sur https://github.com/jaygshah/Robust-Brain-Age-Prediction.