Bringing medical advances from the lab to the clinic.
关键词：AD；低场强磁共振成像；机器学习；神经影像；Nature Communications
随着全球人口老龄化的加剧，阿尔茨海默病（AD）患病率逐年上升，给社会和家庭带来了沉重的负担。早期诊断和治疗对于延缓病程进展、改善患者生活质量具有重要意义。然而，传统的高场强磁共振成像（MRI）在资源有限的环境中难以普及，限制了其在AD诊断和监测中的应用。因此，开发一种便携式低成本的低场强磁共振成像技术（LF-MRI），并结合机器学习工具，对于提高AD诊断的可及性和准确性具有重要的研究价值和应用前景【1】。2024年12月2日，Annabel J. Sorby-Adams 等研究学者们在国际顶尖学术期刊 Nature Communications 上发表题为 Portable, low-field magnetic resonance imaging for evaluation of Alzheimer’s disease 的研究论文【2】。研究发现，LF-MRI结合机器学习工具可以准确量化大脑形态测量和WMH体积，与高场强MRI结果具有很好的一致性。LF-MRI技术具有便携性和低成本的优势，有助于提高AD诊断和管理的可及性。![]()
（如需原文，请加微信healsana获取，备注20241202NC）研究团队成功优化了便携式低场强磁共振成像的获取技术，使其能够在低于传统MRI信号噪声比的情况下，通过机器学习工具自动量化大脑形态测量和白质高信号（WMH）。
🔷 机器学习工具开发：
研究中开发了一个免费的机器学习工具，用于量化大脑形态测量和WMH，包括LF-SynthSR、SynthSeg和WMH-SynthSeg，它们能够处理不同对比度和分辨率的单张图像，并生成高分辨率的T1加权图像以用于后续的分割。
🔷 与常规MRI的一致性：
研究发现，使用LF-MRI扫描得到的海马体积与传统高场强MRI扫描结果具有很好的一致性，且在等向性3毫米分辨率下，LF-MRI扫描的结果比非等向性扫描更为准确。
🔷 WMH体积的自动量化：
通过WMH-SynthSeg工具，研究团队能够自动量化WMH体积，并且这一自动量化结果与传统手动分割方法的结果具有很好的一致性。
🔷 临床应用验证：
研究将这些工具应用于出现轻度认知障碍或因AD导致的痴呆的门诊患者，发现LF-MRI能够检测到与高场强MRI相似的大脑萎缩和WMH模式，并且能够区分非AD患者和被诊断为MCI/AD的患者。
🔷 测试-重测一致性：
研究还展示了LF-MRI在测试-重测中的高一致性，表明了其在临床应用中的可靠性。
🔷 CSF生物标志物相关性：
在一部分MCI和AD患者中，研究还发现脑脊液中的Aβ42水平与LF-MRI衍生的脑室体积和WMH负担之间存在相关性，进一步证实了LF-MRI在AD评估中的潜在价值。
研究结果表明，LF-MRI结合机器学习工具在AD的诊断和管理中具有重要的应用潜力，尤其是在资源有限的环境中，能够提供一种新的、可及性高的神经影像学工具。
![]()
图1. LF-SynthSR和整体成像分析管道的微调及性能展示![]()
图2. 不同分辨率下原始和处理过的图像的轴向、矢状和冠状视图![]()
图3. 大脑体积的准确性随初始图像获取分辨率的变化而变化![]()
图4. WMH-SynthSeg能够在无神经症状但有血管风险因素的患者中自动分割LF-MRI FLAIR序列上的WMH![]()
图5. LF-SynthSR v2和WMH-SynthSeg在MCI/AD患者中的应用临床意义和科研启发：
本研究通过优化便携式低场强磁共振成像（LF-MRI）技术和开发机器学习工具，为AD的临床诊断和科研监测提供了新策略。在临床上，LF-MRI因其便携性和低成本，能够使得更多患者接受到先进的神经影像学检查，特别是在传统高场强MRI资源受限的环境中，这对于提高AD的早期诊断率和治疗监测具有重要意义。科研方面，该研究启发了未来在低场强MRI技术、机器学习算法优化以及跨疾病状态的神经影像学应用方面的研究方向，为探索新的生物标志物、疾病进展监测和治疗效果评估提供了可能，有望推动神经退行性疾病诊断和管理的创新。
【1】Kimberly, W. T. et al. Brain imaging with portable low-field MRI. Nat. Reviews Bioengineering 1,617–630(2023).【2】https://doi.org/10.1038/s41467-024-54972-x本文只是分享和解读公开的研究论文及其发现，以作科学文献记录和科研启发用；并不代表作者或本公众号的观点，更不代表本公众号认可研究结果或文章。为了给大家提供一个完整而客观的信息视角，我们有时会分享有冲突或不同的研究结果。请大家理解，随着对疾病的研究不断深入，新的证据有可能修改或推翻之前的结论。作者：Amber Wang，微信号：Healsana。助理：ChatGPT征战AD公众号，以分享阿尔茨海默病领域最新研究为主旨，希望由此推动由实验室向临床应用的转化。欢迎您的投稿与合作；也希望其他医学科学家以推文的形式分享您的研究成果。运营：美国Healsan咨询公司AD项目组，专注于临床科研及临床试验的服务公司，擅长于针对阿尔茨海默病的临床科研设计及临床试验结果的报告撰写。
网址：https://healsan.com/
![]()
(投稿或商务合作，请联系：healsana)
