基于Swin Transformer和多壳扩散MRI的阿尔茨海默病增强诊断新方法

《IEEE Transactions on Biomedical Engineering》：Leveraging Swin Transformer for enhanced diagnosis of Alzheimer's disease using multi-shell diffusion MRI

本研究针对阿尔茨海默病(AD)早期诊断难题，开发了一种基于Swin Transformer的深度学习框架。研究人员利用多壳扩散磁共振成像(dMRI)数据，通过DTI和NODDI模型提取微结构指标，结合LoRA参数高效微调技术，在ADNI数据集上实现了AD诊断分类(CN vs AD平衡准确率达95.2%)和淀粉样蛋白状态预测(平衡准确率77.2%)。该研究为生物标志物驱动的神经退行性疾病诊断提供了新思路。

　　

随着全球人口老龄化加剧，阿尔茨海默病(Alzheimer's Disease, AD)已成为严峻的公共卫生挑战。这种神经退行性疾病的病理变化在临床症状出现前数十年就已开始，因此早期诊断对于干预治疗至关重要。然而，传统神经影像技术如结构磁共振成像(sMRI)主要检测脑萎缩等宏观结构改变，功能磁共振成像(fMRI)关注脑功能连接，这些变化往往出现在疾病较晚期。扩散磁共振成像(diffusion MRI, dMRI)技术的出现为探测脑组织微结构变化提供了新视角。

多壳扩散MRI通过采集多个b值的扩散加权图像，能够更精确地刻画水分子在脑组织内的扩散特性。相比传统单壳dMRI仅限于扩散张量成像(Diffusion Tensor Imaging, DTI)，多壳dMRI支持Neurite Orientation Dispersion and Density Imaging(NODDI)等高级微结构模型，可量化神经突密度和取向分散度等更精细的微结构参数。这些微结构改变可能先于宏观萎缩出现，为AD早期诊断提供了潜在生物标志物。

然而，多壳dMRI数据的高维度和复杂性对传统分析方法构成挑战。深度学习技术特别是卷积神经网络(CNNs)虽在医学影像分析中取得进展，但其局部感受野限制了对全局上下文信息的建模能力。视觉Transformer(Vision Transformer, ViT)虽能建模长程依赖，但需要大量标注数据且输入尺寸固定，在医学影像应用中受限。

为此，研究人员在《IEEE Transactions on Biomedical Engineering》上发表了一项创新研究，提出基于Swin Transformer的深度学习框架，利用多壳dMRI数据实现AD的早期诊断和淀粉样蛋白积累检测。Swin Transformer通过分层结构和移位窗口机制，既能捕获局部特征又能建模全局依赖，同时支持可变输入尺寸，特别适合处理高维医学影像数据。

研究团队采用关键技术方法包括：从ADNI数据库获取多壳dMRI和T1加权sMRI数据，经ElikoPy预处理后提取DTI和NODDI微结构指标；将3D微结构图投影为2D平面组合，使预训练Swin Transformer能有效处理dMRI数据；集成Low-Rank Adaptation(LoRA)进行参数高效微调，适应有限标注数据；采用Grad-CAM进行可解释性分析，识别临床相关脑区。

dMRI模型比较研究

通过比较DTI和NODDI微结构模型在分类任务中的表现，发现NODDI指标在所有诊断分类中均优于DTI。在CN vs AD任务中，NODDI达到95.2%的平衡准确率，显著高于DTI的91.9%。对于更具挑战性的CN vs MCI分类，NODDI仍保持83.8%的准确率，表明多壳dMRI衍生的微结构指标对早期病变更敏感。

消融实验结果

系统评估显示，完整微调Swin Transformer会导致性能下降(平衡准确率50%)，而仅微调分类头可达91.9%准确率。结合LoRA和头部微调的策略表现最佳(95.2%)，证实LoRA在有限数据场景下保持模型泛化能力的关键作用。基线ResNet模型性能较差，凸显了Transformer架构在捕获dMRI数据长程依赖方面的优势。

淀粉样蛋白分类结果

模型在淀粉样蛋白状态预测任务中表现出色，区分Aβ^- CN与Aβ⁺ MCI/AD的平衡准确率达77.2%(NODDI)。特别值得注意的是，在认知正常人群中识别Aβ⁺个体的准确率为67.9%，证明dMRI指标对 preclinical AD检测的潜力。

可解释性分析

通过Grad-CAM可视化显示，模型决策主要依赖海马旁回(含内嗅皮层)、小脑、海马体、额上回和中央旁小叶等区域，这些区域与AD已知病理改变高度一致，增强了模型的可信度。

研究结论表明，结合Swin Transformer架构与多壳dMRI微结构信息，能显著提升AD分类和淀粉样蛋白状态预测性能。该方法在数据有限场景下展现强大适应性，为神经退行性疾病的早期诊断提供了新途径。未来工作将扩展至更大队列、整合tau蛋白生物标志物，并探索多模态融合策略，进一步提升诊断精度和临床转化价值。