基于影像组学的机器学习模型增强阿尔茨海默病与其他影像可见性痴呆的鉴别诊断

本研究针对痴呆症鉴别诊断中影像特征重叠和观察者间变异性的挑战，开发了一种基于影像组学(radiomics)的机器学习方法。通过分析1041例NACC队列的T1/T2-FLAIR MRI数据，研究团队构建的XGBoost模型在区分阿尔茨海默病(AD)与其他影像可见性痴呆(OIED)方面达到AUROC 0.79±0.01（AD）和0.66±0.03（OIED），与七名神经放射学家评估表现相当。SHAP分析显示模型决策与已知影像特征高度一致，证明该方法可有效辅助神经影像工作流程，为抗淀粉样蛋白治疗的精准患者筛选提供支持。

随着全球人口老龄化加剧，痴呆症已成为重大公共卫生挑战。准确鉴别痴呆症的病因类型对临床治疗决策至关重要，特别是近年来抗淀粉样蛋白疗法取得突破性进展，这类针对阿尔茨海默病(Alzheimer's Disease, AD)的特异性治疗要求精确区分AD与其他类型痴呆。然而，在实际临床实践中，神经放射学家面临巨大挑战——不同病因的痴呆症在神经影像上常表现为重叠的萎缩模式和信号异常，加上细微的病理改变，导致观察者间存在显著诊断差异。更复杂的是，许多患者存在混合性病理改变，进一步增加了诊断难度。

针对这一临床痛点，波士顿大学研究团队在《npj Dementia》发表了创新性研究，开发了一种基于影像组学(radiomics)的机器学习框架，旨在增强神经影像评估对AD与其他影像可见性痴呆(Other Imaging-Evident Dementias, OIED)的鉴别能力。

研究团队采用回顾性研究设计，从美国国家阿尔茨海默病协调中心(NACC)数据库中筛选了1041例经临床确诊的痴呆患者，所有患者至少拥有一次T1加权或T2/FLAIR MRI扫描数据。研究通过FastSurfer工具进行自动脑区分割，利用病变预测算法(Lesion Prediction Algorithm)提取白质高信号(White Matter Hyperintensities, WMH)特征，结合人口统计学数据，训练XGBoost梯度提升决策树模型分别预测AD和OIED的独立概率。

关键技术方法包括：使用FastSurfer(v2.2.0)进行120个脑区的自动分割；采用病变分割工具箱(LST v3.0.0)处理WMH；基于5折交叉验证的贝叶斯超参数优化；SHAP值进行模型解释分析；7名经验丰富的神经放射学家独立评估作为性能基准。

模型性能与验证

研究结果显示，AD模型在交叉验证中获得的平均AUROC为0.82±0.05，平均平均精度(Average Precision, AP)为0.95±0.02；OIED模型的平均AUROC为0.76±0.02，平均AP为0.37±0.09。在测试集上，使用Youden指数阈值时，AD分类的敏感性为0.49，特异性为0.79，F1分数0.60；OIED分类的敏感性为0.82，特异性为0.31，F1分数0.58。对26例有尸检数据的测试病例分析显示，模型预测的AD概率与神经原纤维缠结程度显著相关(p<0.001)。

验证对抗神经放射学家评估

七名神经放射学家之间的评估者间一致性为中等水平：AD分类的平均Spearman相关系数为0.46，OIED分类为0.33。将模型预测与放射学家置信度评分以相等权重融合后，模型增强的神经放射学家在两项诊断任务和两个性能指标上均显著优于单独评估(p<0.05)。模型增强使AD分类的平均AUROC和平均AP分别提高了5.44%和5.21%，OIED分类分别提高了7.64%和8.25%。

基于模型参数的特征重要性

从训练模型参数导出的特征重要性显示，AD模型高度关注与AD病理已知相关的脑区，包括海马体、扣带回和外侧颞叶。脑干体积在模型中具有高重要性，但神经放射学家对脑干萎缩评分的评估者间一致性较差。在T2加权成像上，AD模型显示出影响大部分大脑和基底节的广泛模式，而OIED在T1和T2成像上显示出更广泛的脑部受累。

SHAP分析

SHapley Additive exPlanations(SHAP)分析显示，右侧内嗅皮层、左侧杏仁核、右侧海马体和顶下叶体积等区域对AD表现出负相关的SHAP值，与AD中看到的萎缩模式相符。年龄、右侧海马体体积和右侧顶下叶体积等变量对AD显示正相关，对OIED显示负相关。左侧外侧眶额叶体积对OIED预测非常重要，可能反映了额颞叶痴呆(Frontotemporal Dementia, FTD)中看到的体积损失。

为量化模型SHAP值与专家评估的一致性程度，神经放射学家独立提供了特定脑区的萎缩和病理变化评分。研究发现，神经放射学家在通常与痴呆病理相关的区域具有最高的评估者间一致性，例如海马体(右ρ=0.7，左ρ=0.6)、颞叶(右ρ=0.69，左ρ=0.66)和杏仁核(右ρ=0.65，左ρ=0.6)。FLAIR成像上高信号的存在也具有高度一致性(ρ=0.55)，与血管性痴呆(Vascular Dementia, VD)和朊病毒病(Prion Disease, PRD)的公认影像发现一致。

研究结论表明，这种影像组学驱动的机器学习框架能够与专家神经影像评估保持一致并潜在增强其能力，特别是在鉴别AD与额颞叶、血管性和朊病毒疾病方面。使用XGBoost提供的可解释分类器具有易于实现、处理缺失数据能力和快速推理等优势。通过利用T1加权和T2/FLAIR MRI序列的特征，模型能够以相对较高的分类性能捕获与AD和OIED相关的神经退行性变化。

研究的实际意义在于：首先，通过区分AD和OIED，该模型可以作为一种高效的预筛选工具，排除不太可能从淀粉样蛋白靶向药物中获益的非AD病因患者，降低对成本更高或可及性较差的生物标志物（如淀粉样蛋白PET）的依赖；其次，模型的定量预测能够增强神经放射学家的评估，提高分类性能，尤其在专业神经放射学专业知识有限的地区特别有价值。

研究也存在一些局限性：作为NACC队列的回顾性分析，结果可能受到数据固有偏倚的影响；对放射学家性能改进的分析仅限于事后分析而非真实的人机交互前瞻性研究；虽然研究关注AD和OIED（如血管性、额颞叶和朊病毒疾病），但未考虑其他神经退行性疾病；某些病因的样本量仍然有限；模型仅使用T1加权和T2/FLAIR MRI序列开发，限制了其对其他成像模态的适用性。

总体而言，这项研究凸显了机器学习驱动分析在增强各种痴呆症放射学评估方面的潜力，通过提供补充临床专业知识的定量见解，为改善痴呆症的精确诊断和治疗选择提供了有前景的工具。