年齢はアルツハイマー病（AD）の主要な既知のリスク要因の一つです。ADを早期に検出することは、効果的な治療と不可逆的な脳損傷の予防のために重要です。脳年齢は、加齢による構造的変化を反映する脳画像から導き出される指標であり、ADの発症を特定し、疾患リスクを評価し、対象別の介入計画を立てる可能性があります。最近、磁気共鳴画像（MRI）スキャンから脳年齢を予測する深層学習に基づく回帰手法が非常に高い精度を示しています。しかし、これらの方法には平均への回帰という内在的な効果があり、これが系統的なバイアスを引き起こし、若い被験者では脳年齢が過大評価され、高齢の被験者では過小評価される傾向があります。これにより、予測された脳年齢が有効なバイオマーカーとして下流の臨床応用で信頼性を持つことが弱まっています。本研究では、この系統的なバイアス問題に対処するために、回帰タスクから分類タスクへと脳年齢予測課題を見直しました。加齢軌道を理解し、時間経過とともに加齢をモニタリングするために年齢からの順序情報を保存することが重要であることを認識し、新しいORdinal Distance Encoded Regularization (ORDER) 損失関数を提案します。これは年齢ラベルの順序を取り入れることでモデルが加齢パターンを捉える能力を向上させます。広範な実験と削減実験により、このフレームワークが系統的なバイアスを低減し、統計的に有意な差で最先端の手法を超えており、独立したADデータセットにおいて臨床群間の微妙な違いをよりよく捉えることができることが示されました。私たちの実装は公開されており、https://github.com/jaygshah/Robust-Brain-Age-Prediction でアクセスできます。