DeepCBD：用于鉴别非典型与典型帕金森病中皮质基底节变性的混合深度学习融合模型

《Knowledge-Based Systems》：DeepCBD: Hybrid Deep Learning Fusion Models for Differential Diagnosis of Corticobasal Degeneration in Atypical versus Typical Parkinsonism

早期帕金森病复合体早期诊断

　　CBD是一种进展性的非典型帕金森病，与帕金森病（PD）在临床和病理特征上存在诸多相似之处，这常常导致误诊。早期和准确的鉴别诊断对于制定个性化的治疗方案以及改善患者预后至关重要。本文介绍了一种基于深度学习的框架DeepCBD，利用结构化磁共振成像（MRI）实现对非典型帕金森病中CBD的可能分类。DeepCBD包含两个融合型迁移学习模型：MResViT，它通过简单的拼接方式整合ResNet-50和Vision Transformer（ViT）的特征；以及M_ARViT，它采用注意力机制以更有效地融合局部和全局特征。这两个模型均在两个主要的神经影像数据集——帕金森病进展标志物倡议（PPMI）和四重复 Tauopathy 神经影像倡议（4RTNI）——上进行了训练，并在独立的政府医疗机构数据集上进行了验证。为了支持临床解读，所提出的模型结合了Grad-CAM和SHAP技术，用于可视化影响模型预测的脑区和特征。这些可解释性分析突出了与CBD病理相关的生物合理区域，从而提高了模型输出的临床可信度。

随着深度学习技术的发展，神经影像数据在预测和分类神经系统疾病方面的应用取得了显著进展。结构化磁共振成像（MRI）能够提供关于皮质和皮质下萎缩模式的详细且非侵入性信息，这些模式通常与帕金森病和CBD等疾病相关。本文的文献综述部分对深度学习模型在MRI诊断PD和CBD方面的应用进行了全面回顾，整合了现有方法，并指出了当前研究中的方法学空白。这一背景为本文的提出提供了坚实的基础。

本文提出的方法学部分详细描述了DeepCBD框架的设计，该框架旨在对被诊断为帕金森病的患者进行早期CBD预测。该框架融合了两种基于迁移学习的模型：MResViT和M_ARViT。MResViT采用简单特征级别的融合方式，将ResNet和ViT的特征进行拼接；而M_ARViT则通过注意力机制，结合SAFF机制实现更精细的多模态特征整合。这一方法不仅提高了模型的准确性，还增强了其在复杂和多变的临床环境中的适应性。在模型设计中，本文还考虑了标准化的数据预处理流程和完整的计算流程，确保模型在不同数据集上的稳定性和可靠性。

实验部分涵盖了数据集的特征、预处理技术、评估指标以及定量和定性结果。通过使用PPMI和4RTNI两个大型神经影像数据集，以及来自政府医疗机构的独立数据集，本文验证了DeepCBD模型在不同人群中的适用性。同时，为了确保模型的临床实用性，本文还对模型的可解释性进行了深入分析。Grad-CAM和SHAP技术的应用，使得模型能够清晰地展示其决策过程中涉及的脑区和特征，从而增强了临床医生对模型输出的信任和理解。

在讨论部分，本文分析了模型在内部和外部验证中的表现。结果表明，M_ARViT在所有关键分类指标上均优于基线模型MResViT。特别是在CBD的检测方面，M_ARViT表现出了显著的提升，这在早期神经退行性疾病的诊断中尤为重要，因为CBD通常存在诊断上的模糊性。这些提升在统计上具有显著意义，进一步验证了模型的有效性。此外，本文还探讨了模型在临床应用中的局限性，例如在数据量较少或临床异质性较高的情况下，模型的泛化能力仍需进一步优化。

结论部分总结了本文的主要贡献，并提出了未来研究的方向。DeepCBD框架的提出，为CBD在帕金森病患者中的早期检测提供了一种新的工具。通过使用M_ARViT架构，该框架能够在结构化T1加权MRI数据的基础上，实现对CBD的高精度诊断。模型在内部和外部数据集上的表现均优于基线模型，证明了其在不同人群中的适用性。同时，本文强调了深度学习模型在临床部署中的重要性，特别是在提高诊断准确性和支持决策制定方面。未来的研究可以进一步探索模型在其他非典型帕金森病中的应用，以及如何在更多样化的数据集上提升模型的泛化能力。

在伦理审查部分，本文提到研究已获得Super Speciality Hospital的机构伦理委员会批准，因为研究涉及从人类参与者收集数据进行外部验证。使用公开数据集（如PPMI和4RTNI）遵守了相应的数据使用协议。所有参与外部验证的参与者均提供了知情同意，确保研究的合规性和伦理性。此外，所有作者均同意发表研究结果，表明研究的透明性和开放性。本文的研究未获得任何公共、商业或非营利机构的特定资助，这说明研究的独立性和自主性。

综上所述，本文提出了一种基于深度学习的框架DeepCBD，旨在通过结构化MRI数据对CBD进行早期预测和鉴别诊断。该框架结合了两种融合型迁移学习模型，通过不同的特征整合方式，提高了模型的准确性与可解释性。模型的验证不仅限于特定数据集，还扩展到了实际临床环境中的独立数据集，这在当前的CBD研究中较为少见。通过使用Grad-CAM和SHAP等可解释性工具，模型能够直观展示其决策依据，从而增强临床医生对模型的信任。研究结果表明，M_ARViT在所有关键指标上均优于基线模型MResViT，特别是在CBD的检测方面表现突出。这一成果不仅为CBD的早期诊断提供了新的方法，也为未来的研究方向奠定了基础，如进一步探索模型在其他非典型帕金森病中的应用，以及如何在更多样化的数据集上提升模型的泛化能力。本文的研究为临床医生提供了一种实用且可靠的工具，有助于改善CBD患者的诊断和治疗，提高整体的医疗水平。