基于纵向结构MRI的深度学习和影像组学特征预测阿尔茨海默病进展

主要作者及机构
本研究的通讯作者为Sepehr Aghajanian（伊朗Alborz医科大学神经外科系、伊朗医科大学神经科学研究中心），合作作者包括Fateme Mohammadifard、Ida Mohammadi等，研究团队来自伊朗多所高校及美国密苏里大学堪萨斯城分校。研究于2025年发表在《Alzheimer’s Research & Therapy》（影响因子未提及），开放获取许可为CC BY-NC-ND 4.0。

学术背景

科学领域：本研究属于神经退行性疾病的早期预测领域，结合了神经影像学（结构性MRI）、人工智能（深度学习与影像组学）及生存分析模型。

研究动机：阿尔茨海默病（AD）是痴呆症的主要病因，早期诊断轻度认知障碍（MCI）患者的高风险进展群体对临床干预至关重要。尽管MRI已用于AD预测，但传统方法多依赖单时间点数据，而纵向MRI的动态变化可能提供更早、更精准的风险分层信息。

核心问题：如何利用纵向结构MRI数据，结合深度学习与影像组学特征，构建高精度的MCI向AD转化的预测模型？

研究流程与方法

1. 数据来源与参与者筛选

数据来源：研究使用阿尔茨海默病神经影像倡议（ADNI）数据库的228名MCI参与者，共684次T1加权MRI扫描。纳入标准包括：
- 至少3次MRI扫描（基线、18个月内随访）；
- 基线后1.5年内未转化为AD（确保MRI采集期间为稳定MCI状态）；
- 转化定义为随访中MMSE<24或CDR≥1。

数据划分：按7:1.25:1.75比例分为训练集、验证集和测试集，保持转化与非转化者比例均衡。

2. 图像预处理与特征提取

预处理流程：
- 使用SPM12进行偏置校正、颅骨剥离、组织分割（灰质、白质、脑脊液）；
- 图像重采样至1.5 mm³体素分辨率。

影像组学特征提取：
- 通过PyRadiomics提取形状（如球形度、表面积）、一阶统计量（如均值、峰度）及纹理特征（如灰度共生矩阵GLCM、灰度游程矩阵GLRLM）；
- 重点关注灰质区域，因其预测价值高于全脑或白质特征。

3. 深度学习模型构建

单时间点3D ResNet模型

• 架构：基于ResNet-18的3D卷积神经网络，输入为128×128×128体素的MRI；
  
• 损失函数：采用成对排序损失（Pairwise Rank Loss），优化个体风险排序而非绝对时间预测；
  
• 性能：验证集C-index约0.70，显示单时间点模型的局限性。
  

纵向时间感知LSTM模型（T-LSTM）

• 输入：从ResNet提取的512维特征向量，结合时间间隔信息；
  
• 创新点：
  
  • 记忆衰减机制：根据扫描间隔调整记忆状态权重（公式：decay = 1/log(e+Δt)）；
    
  • 注意力机制：动态加权各时间点特征贡献（如末次扫描注意力权重达0.67）；
    
• 生存分析：使用Cox比例风险模型优化风险评分。
  

4. 模型验证与解释

评估指标：
- C-index：纵向模型显著优于单时间点模型（测试集C-index 0.90 vs. 0.70）；
- 时间特异性AUC：预测2年、3年、5年内转化的AUC分别为0.96、0.91、0.86。

可解释性分析：
- Grad-CAM：突出深部脑结构（如内侧颞叶）对预测的贡献；
- SHAP值：显示脑室周围区域、顶叶皮质及额中回萎缩为关键风险因素；
- 影像组学特征：灰质表面积与体积比（Surface-to-Volume Ratio）每增加1个标准差，AD转化风险上升50%（HR=1.50, 95%CI:1.25–1.79）。

主要结果与结论

关键发现

1. 纵向数据优势：结合多时间点MRI的T-LSTM模型显著提升预测精度（C-index提升0.20），优于传统单时间点或临床基线模型。
   
2. 灰质形态学标志物：灰质表面积与体积比、伸长率（Elongation）等几何特征是最强预测因子，反映皮质折叠减少的病理进程。
   
3. 时间动态模式：注意力机制显示末次扫描贡献最大，提示晚期萎缩速率加快可能为转化临界标志。
   

科学价值与应用

• 方法学创新：首次将时间感知LSTM与生存分析结合用于AD预测，为纵向神经影像研究提供新范式；
  
• 临床意义：模型可识别高风险MCI个体，为早期干预（如靶向治疗或临床试验入组）提供决策支持；
  
• 局限性：样本量较小（n=228），需在OASIS-3等独立队列中验证普适性。
  

研究亮点

1. 多模态融合：整合深度学习特征与影像组学，兼顾全局模式和局部纹理变化；
   
2. 动态建模：通过记忆衰减和注意力机制捕捉疾病进展的非线性轨迹；
   
3. 临床可解释性：SHAP和Grad-CAM可视化高风险脑区，增强医生对AI结果的信任度。
   

其他有价值内容

• 开源代码：模型实现代码发布于GitHub（github.com/medaicodes/cnn-tlstm）；
  
• 伦理合规性：ADNI数据已获患者知情同意，符合赫尔辛基宣言。
  

（全文约2000字，涵盖研究全流程及核心贡献）