Las redes neuronales convolucionales (CNNs) se han utilizado ampliamente para predecir la edad biológica del cerebro basada en imágenes de resonancia magnética (RM) del cerebro. Sin embargo, las CNNs se centran principalmente en características localmente espaciales y sus agregados y apenas en la información conectiva entre regiones distantes. Para superar este problema, proponemos un nuevo módulo de atención gráfica de múltiples saltos (MGA) que explota tanto las conexiones locales como globales de las características de la imagen cuando se combina con las CNNs. Después de la inserción entre las capas convolucionales, MGA convierte primero el mapa de características derivado de la convolución en datos estructurados en grafo mediante la inserción de parches y la puntuación basada en la distancia de inserción. Las conexiones de varios saltos entre los nodos del grafo se modelan utilizando el proceso de cadena de Markov. Después de realizar la atención gráfica de múltiples saltos, MGA vuelve a convertir el grafo en un mapa de características actualizado y lo transfiere a la siguiente capa convolucional. Combinamos el módulo MGA con sSE (compresión y excitación espacial)-ResNet18 para nuestro modelo de predicción final (MGA-sSE-ResNet18) y realizamos varias evaluaciones de hiperparámetros para identificar las combinaciones óptimas de parámetros. Con 2788 imágenes de resonancia magnética tridimensionales T1 de sujetos sanos, verificamos la eficacia de MGA-sSE-ResNet18 con comparaciones a cuatro CNNs establecidas de propósito general y dos modelos representativos de predicción de edad cerebral. El modelo propuesto obtuvo un rendimiento óptimo con un error absoluto medio de 2.822 años y un coeficiente de correlación de Pearson (PCC) de 0.968, demostrando el potencial del módulo MGA para mejorar la precisión de la predicción de la edad cerebral.