关注并星标我们 前沿资讯不错过
01
文献导读
1
要点
本研究提出了一种基于深度学习的可解释算法，用于分析阿尔茨海默病（AD）的MRI图像，以确认AD病理进展的模式。研究使用了来自ADNI和OASIS数据库的2369张T1加权图像，通过Ensemble 3DCNN模型生成了一个新的神经影像生物标记物P-score，揭示了与AD发病和进展相关的全脑结构性MRI变化的纵向轨迹。
2
主要研究方法
研究采用了Ensemble 3DCNN模型，结合增强的解析技术，来分析MRI图像。通过模型派生的P-score，研究者能够在不同时间点检测大脑区域的神经退化变化，并通过连接组件分析（CCA）和序列模式挖掘算法SPADE来分析大脑区域的时空连接性。
3
研究意义
这项研究的意义在于提供了一种新的非侵入性工具，用于监测AD的进展。P-score作为一个反映AD进展的定量指标，有助于在个体水平上跟踪和预测AD的进展，为临床诊断和治疗提供了新的视角。
4
创新点
本研究的创新之处在于开发了P-score这一新的神经影像生物标记物。此外，通过深度学习模型的应用，研究不仅提高了对AD病理模式的理解，还展示了深度学习在揭示复杂神经退行性疾病进展中的潜力。
02
文献精读
阿尔茨海默病是一种进行性神经退行性疾病，其特征是大脑结构的逐渐萎缩和其他结构变化。尽管已有研究将这些病理变化与AD的临床表现联系起来，但大多数深度学习模型主要被开发用于辅助AD诊断，而对于AD进展模式的分析却鲜有关注。本研究旨在填补这一空白，通过深度学习技术揭示AD的神经退行性变化模式。
这项研究主要工作的示意图。
在方法论部分，研究团队首先对收集的MRI数据进行了预处理，以确保图像质量满足深度学习模型的要求。这包括对图像进行去噪、配准、归一化等操作，以减少不同扫描设备和参数设置带来的影响。接着，研究者将图像分割成小块，以便于3DCNN模型能够捕捉到局部的细微特征。
在模型训练阶段，采用了多阶段训练策略，其中包括模型架构的选择、损失函数的定义、优化算法的选用等。通过反复迭代，模型学习了如何从MRI图像中识别与AD相关的特征。
研究中采用的Ensemble 3DCNN算法，由多个基础分类器和一个元分类器组成。每个基础分类器负责处理图像的一个小块，而元分类器则综合所有基础分类器的输出，做出最终的分类决策。通过对每个小的MRI体素块进行独立训练和验证，模型能够输出每个体素块的AD预测分数，即P-score。这些分数随后被整合，以评估整个大脑或特定脑区的神经退行性变化程度。
这种集成学习方法提高了模型的泛化能力，并增强了对复杂数据分布的适应性。此外，研究者还采用了多种正则化技术，如Dropout和权重衰减，以防止模型过拟合，并确保模型在新的、未见过的数据上也能有良好的表现。
在ADNI数据库中来自167位AD患者的638张纵向结构性磁共振成像(sMRI)图像中，深度学习提取的神经影像生物标记物(P-score)的示意图。
研究结果显示，P-score在识别AD患者大脑的经典神经退行性区域方面表现出色，如杏仁核、岛叶、海马旁回和颞叶回等。此外，P-score还能够揭示AD进展过程中的复杂个体变异性。在对167名AD患者的638张纵向MRI图像进行分析时，发现这些区域的P-score值随时间增加，表明这些区域的神经退行性变化与AD的进展密切相关。
通过P-score发现的大脑区域结构性神经退行性变化的多重进展轨迹的示意图。(不同区域以不同颜色呈现，对应于每个子图底部缩写名称的颜色。符号#代表前件中的元素。)
讨论部分指出，本研究的发现与Braak于1991年提出的AD病理分级标准相一致，证实了AD的神经退行性变化遵循一定的空间和时间模式。此外，研究还发现，AD的神经退行性变化可能在大脑的左侧更为常见，这可能与大多数受试者为右利手有关。
P-score作为本研究提出的新生物标记物，其值的高低直接反映了大脑区域受AD影响的程度。P-score的高灵敏度和特异性使其有潜力成为AD早期诊断和病程监测的重要指标。此外，P-score的量化特性也为临床试验和药物研发提供了一个客观的评价标准。
通过P-score获得的两名阿尔茨海默病(AD)患者的神经退行性序列示例。（不同区域用不同颜色表示。由于页面限制，神经退行性脑区的P-score在子图中部分列出。）
本研究的成功实施，展示了深度学习技术在解析复杂神经退行性疾病中的潜力。通过自动化的特征提取和模式识别，深度学习模型能够揭示传统统计方法难以发现的疾病特征和规律。此外，深度学习模型的可解释性也为理解AD的病理机制提供了新的视角。随着技术的不断发展和计算能力的提高，预计深度学习将在神经科学和临床医学领域发挥更大的作用。
结论部分指出，这项研究通过深度学习技术，为AD的神经退行性变化提供了一种新的分析方法。未来的研究可以进一步探索P-score在不同AD亚型和不同病程阶段的应用，以及如何结合其他生物标记物和多模态成像数据来提高AD诊断和监测的准确性。此外，研究团队还计划将这种方法应用于其他神经退行性疾病，以探索其在更广泛领域的潜力。
声明：本公众号所刊载内容之知识产权为相关权利人专属所有或持有，本公众号经翻译与编辑的内容仅作为学术交流之用途。未经许可，禁止进行转载、摘编、复制及建立镜像等任何使用。
关于我们
超脑深科介绍
超脑深科是国内领先的脑医学技术创新团队，致力于打造最前沿的产学研一体化创新深脑科技平台。其中影像处理分析团队均来自于国内一线高校，具有高度交叉背景，涵盖生物医学工程、电子信息、临床医学等专业，均受过系统化的科研培训，具有扎实的科研背景。
如果今天的分享对您有所帮助，
欢迎您点击下方关注我们以获取最新资讯
▼ 公众号后台联系我们可获取PDF原文
更有神经磁共振影像交流群期待您的加入
