Brain：实现可视化阿尔茨海默病诊断！深度学习献策

阿尔茨海默病（AD）是全球痴呆症的主要病因，随着人口年龄的增长，其发病负担可能会超过诊断和管理能力。目前的方法整合了患者的病史、神经心理测试和磁共振成像（MRI）来识别可能的病例。虽然诊断的做法多种多样，但缺乏敏感性和特异性。

近日，发表在Brain杂志上的这篇文章报告了一种可供解释的深度学习策略，通过多模态地输入MRI、年龄、性别、和微精神状态检查分数，来描述AD的特征。该框架将一个完整的卷积网络连接起来，将疾病概率的高分辨率地图从局部大脑结构构建到一个多层感知器，并生成精确的、直观的可视化个体AD风险评估结果，进而进行准确诊断（图 1）。

图1 深度学习框架示意图

尸检数据显示，有疾病的个体与无疾病的个体相比，除了预测哪些区域具有更高的特异性AD患病概率外，该模型所预测的大脑区域表现出更为频繁的蛋白病变（图 2）。(A)在单一受试者中，模型预测的AD高风险区域与死后AD病理结果的重叠。本例患者临床确诊为AD，发病区域包括双侧不对称颞叶及右侧海马、扣带皮层、胼胝体、部分顶叶及额叶。第一列(i)显示三个不同平面的MRI切片，第二列显示相应的模型预测疾病概率图。选取0.7的截止值来描绘AD高危区域，并在下一列(iii)与MRI扫描重叠。下一列(iv)描绘从FreeSurfer获得的大脑皮层和皮层下结构的分隔掩模。一个顺序的颜色编码方案表示不同的病理水平，从绿色(0，低)到淡红色(4，高)。最后一列(v)显示了磁共振扫描的覆盖，疾病概率地图的高AD的风险和基于病理分级的彩色编码区域。(B)然后，我们从FHS数据集(n = 11)定性地评估神经病理学发现的趋势。相同的颜色编码方案如上所述，用于表示病理分级(0-4)的热图。热图中以“白色”着色的方框表示缺少数据。使用Spearman的等级相关系数检验，AD概率风险的增加与较高级别的淀粉样蛋白-β和tau积累相关，分别在海马结构、中额叶区、杏仁核和颞区。

图2 模型结果与神经病理学的相关性

模型训练选用临床诊断AD和认知正常受试者，该数据来自AD神经影像倡议(ADNI)数据集(n= 417)和三个独立队列用于验证，使用多模态输入的模型在数据集上的表现结果是一致的。ADNI研究、AIBL、Framingham心脏研究和NACC数据集的曲线下均值分别为0.996、0.974、0.876和0.954（图 3）。此外，该方法超过了一个由执业神经学家组成的多机构团队(n = 11)的诊断表现，并且该模型预测的高危大脑区域在患者死后的组织病理学被发现部位一致。

图3 MLP模型在AD分类中的表现及与神经病学家的模型比较

该框架提供了一种临床可适用的策略，即：使用常规可用的成像技术，如MRI，为AD的诊断产生微妙的神经成像特征。同时，这也是一种可推广的方法，将深度学习与人类疾病的病理生理过程联系起来。