El aprendizaje automático se ha aplicado cada vez más a los datos de neuroimagen para calcular estimaciones personalizadas de la edad biológica del cerebro de un individuo (edad cerebral). La diferencia entre la edad cerebral predicha de un individuo y su edad cronológica (brainPAD) se utiliza como biomarcador del envejecimiento y enfermedades cerebrales, pero aún no se ha investigado la posible contribución de diferentes algoritmos de aprendizaje automático utilizados para la predicción de la edad cerebral a la asociación entre brainPAD y la función cognitiva. Aquí, aplicamos siete algoritmos comúnmente utilizados a los mismos datos de imagen cerebral multimodal (MRI estructural y de difusión) de 601 participantes sanos de 18 a 88 años en el Centro de Envejecimiento y Neurociencia de Cambridge para evaluar las variaciones en la edad cerebral predicha. La similitud entre algoritmos en la edad cerebral predicha y los pesos de regresión regional cerebral se examinó utilizando análisis de correlación de Pearson y agrupamiento jerárquico. Luego evaluamos en qué medida los algoritmos de aprendizaje automático impactan la asociación entre brainPAD y siete variables cognitivas. Los modelos de regresión lograron errores absolutos medios de 5.46-7.72 años y coeficientes de correlación de Pearson de 0.86-0.92 entre la edad cerebral predicha y la edad cronológica. Además, identificamos una diferencia sustancial en la vinculación de brainPAD con medidas cognitivas, lo que indica que la elección del algoritmo podría ser una fuente importante de variabilidad que confunde la relación entre brainPAD y la cognición.