基于多算法比较的脑萎缩参考曲线构建及磁场强度鲁棒性分析：对神经退行性疾病诊断的意义

本研究针对神经退行性疾病诊断中脑萎缩评估受MRI磁场强度（1.5T vs. 3T）影响的问题，通过比较AssemblyNet、FastSurfer和FreeSurfer三种分割算法在构建脑体积参考曲线中的鲁棒性。研究发现AssemblyNet对磁场强度变化最具稳定性，其特异性达0.95，平衡准确率0.91，为多中心异构MRI数据下的脑萎缩评估提供了可靠工具，对阿尔茨海默病早期诊断具有重要临床意义。

　　

神经退行性疾病如阿尔茨海默病（Alzheimer's disease, AD）的诊断一直面临巨大挑战，由于大脑结构的复杂性和神经影像数据的多变性，临床医生难以准确评估与年龄相关的正常脑萎缩和病理性脑萎缩之间的界限。近年来，基于体积分析的定量工具通过建立参考曲线（reference curves）来识别异常脑萎缩模式，为疾病诊断和进展监测提供了新思路。然而，随着多中心、多扫描仪大数据时代的到来，"机器效应"（machine effects）成为不可忽视的干扰因素——不同MRI场强（1.5T与3T）、扫描硬件和图像处理流程的差异可能导致体积测量偏差，这种变异甚至可达到4.8%，相当于早期疾病相关脑改变的程度，严重影响了测量结果的可比性和可靠性。

在此背景下，本研究首次系统评估了三种主流分割算法——AssemblyNet、FastSurfer和FreeSurfer——在构建脑体积参考曲线及检测海马萎缩中对磁场强度变化的鲁棒性。研究团队利用来自11个开放数据库的3,730名认知正常被试的T1加权MRI数据，采用广义加性模型（Generalized Additive Models, GAM）构建参考曲线，并通过四种误差指标（sMAPE、sMSPE、wMAPE、sMdAPE）结合Bootstrap验证分析算法稳定性。进一步地，通过计算海马萎缩率和HAVAs评分（Hippocampal-Amygdalo-Ventricular Atrophy scores），评估了各算法在阿尔茨海默病患者与对照组中的分类性能。

关键技术方法包括：使用AssemblyNet（基于250个CNN的集成模型）、FastSurfer（基于2D深度学习的快速分割工具）和FreeSurfer（传统基于图谱的分割流程）进行全脑分割；采用GAM模型进行参考曲线建模并施加凸/凹约束防止过拟合；利用多中心数据集（ADNI、OASIS、PPMI等）进行跨站点验证；通过Bootstrap分析评估磁场强度相关性偏差；采用HAVAs评分系统整合海马、杏仁核和侧脑室下角的z-score进行多结构联合分析。

研究结果揭示显著差异：

曲线稳定性评估

视觉分析与定量评估均表明，AssemblyNet在不同磁场强度下生成的参考曲线表现出高度一致性。相比之下，FastSurfer的曲线显示最大变异性，其数据点分散程度明显高于其他两种算法。当分别使用1.5T和3T数据构建曲线时，FastSurfer和FreeSurfer均出现显著偏移，而AssemblyNet保持稳定。

磁场强度一致性误差测量

通过五种误差指标系统比较算法性能。AssemblyNet在所有边界（下界、中位、上界）均取得最低误差值：sMSPE（对称均方百分比误差）显著低于其他算法，表明其预测值与参考曲线差异最小；sMAPE（对称平均绝对百分比误差）和wMAPE（加权平均绝对百分比误差）的优异表现证明AssemblyNet在不同体积大小下均能保持精度；sMdAPE（对称中位数绝对百分比误差）进一步证实其受异常值影响最小。

**

磁场强度偏倚的Bootstrap分析

通过10,000次Bootstrap迭代随机化场强标签，评估真实标签值与随机分布的关系。AssemblyNet的真实值大部分落在5th-95th百分位数范围内，仅中位和上界边界略有超出，表明其受磁场强度影响极小。相反，FastSurfer和FreeSurfer在所有指标和边界上都显示显著偏离，表明其测量结果高度依赖磁场强度条件。

萎缩检测敏感性分析

在阿尔茨海默病患者中，AssemblyNet检测到左/右海马萎缩率分别为77.17%/67.58%，低于FastSurfer（84%/81%）和FreeSurfer（82%/76%），但表现出更好的稳定性。使用HAVAs评分时，所有算法均能有效区分AD患者与对照组，其中FastSurfer灵敏度最高（0.98），但AssemblyNet实现最佳特异性（0.95）和最高平衡准确率（0.91）。在对照组中，AssemblyNet报告的假阳性率（左/右海马：12%/8%）显著低于其他算法，减少了过度诊断风险。

纵向与多站点稳定性

通过对MIRIAD数据集的纵向分析发现，AssemblyNet在时间序列上提供最一致的萎缩评估。SRPBS旅行被试数据的多站点分析进一步证实，FastSurfer在不同扫描仪间变异性最高，而AssemblyNet保持稳定性能。

研究结论表明，算法选择对异构成像环境下的脑体积分析可靠性具有决定性影响。AssemblyNet凭借其多尺度3D深度学习架构、空间冗余设计和多分辨率优化，展现出对磁场强度变化的高度鲁棒性，成为多中心大数据研究的优选工具。尽管FastSurfer在敏感性方面略有优势，但其对采集参数的敏感性限制了在临床常规中的广泛应用。该研究首次将GAM模型应用于多种分割算法的参考曲线构建，并提出了系统的曲线比较方法论，为神经影像生物标志物的标准化评估提供了重要依据。

本研究发表于《Scientific Reports》，不仅推进了脑萎缩定量分析的方法学发展，更重要的是为临床实践提供了算法选择的具体指导——在追求诊断敏感性的同时，必须兼顾测量结果的稳定性和可重复性。特别是在缺乏足够样本进行数据协调（harmonization）的现实场景中，选择内在鲁棒的算法比依赖后处理校正更具可行性。未来研究可进一步探索曼哈顿学习（manifold learning）等复杂模型，以捕获脑区间的交互效应和全局动力学特征，提升对神经退行性疾病多维度病理改变的理解。