协同多任务框架驱动的海马体精准分割与阿尔茨海默病分期分类研究

本研究针对阿尔茨海默病（AD）早期诊断中海马体形态学特征与疾病分期关联性不足的难题，提出协同多任务框架AD-MT，通过初始分割子网（Segmentation Subnet）、分类子网（Classification Subnet）和精细分割子网（Refinement Subnet）的闭环协作，实现海马体分割平均DSC 94.0%和分类准确率98.8%的突破，为AD精准诊疗提供新范式。

　　

阿尔茨海默病（Alzheimer's disease, AD）作为全球最常见的神经退行性疾病，其早期诊断始终面临巨大挑战。患者初期症状隐匿，与正常衰老或轻度认知障碍（Mild Cognitive Impairment, MCI）难以区分，而海马体（hippocampus）的形态学变化被认为是AD最早的生物标志物之一。尽管脑部磁共振成像（MRI）技术为AD诊断提供了非侵入性手段，但传统方法存在两大瓶颈：一是海马体组织对比度低，周围小器官干扰导致分割精度不足；二是分类模型未能充分利用海马体形态与疾病分期的内在关联。这些问题使得现有算法难以满足临床对早期AD精准识别的需求。

针对这一难题，大连医科大学第二附属医院与辽宁师范大学的研究团队在《Brain Research》发表了一项突破性研究。他们开发了名为AD-MT的协同多任务框架，通过海马体分割与AD分类任务的动态交互，实现了诊断性能的显著提升。研究整合了25例临床MRI数据和244例ADNI公共数据集，构建包含269例样本的多中心队列验证模型。

关键技术方法包括：1）采用分层融合U-Net结构的初始分割子网生成海马体初始掩膜；2）分类子网整合原始图像、分割边界和掩膜特征，建立AD分期（CN/SMC/EMCI/LMCI/AD）预测模型；3）基于分类结果的像素级条件分类器优化精细分割子网；4）自适应损失加权机制平衡多任务训练。

研究结果

1. 海马体分割性能
   在Dice相似系数（DSC）和Jaccard指数（JA）评估中，AD-MT分别达到94.0%和80.6%，显著优于传统单任务模型。精细分割子网通过分类反馈有效校正了海马体轮廓，特别是在EMCI向LMCI转化的关键阶段，边界识别误差降低37.2%。

2. 疾病分类性能
   模型在五分类任务中实现整体准确率（AC）98.8%，敏感性（SEN）和特异性（SP）均超98.5%。值得注意的是，对易混淆阶段（如EMCI vs LMCI）的区分F1值达97.8%，证实分类子网能有效捕捉海马体萎缩的模式差异。

3. 协同机制验证
   消融实验显示，当移除分类反馈环节时，分割DSC下降4.3个百分点；而禁用分割引导的分类任务准确率降低6.1%，证明双向协同机制的必要性。分支信息拟合（Branch Information Fitting, BIF）模块使特征交互效率提升21.4%。

结论与意义
该研究首次构建了海马体形态与AD分期的动态映射体系，其创新性体现在三方面：首先，BIF模块实现跨任务层次化特征融合，突破传统多任务学习的参数共享局限；其次，分类结果驱动的条件分割机制，将临床先验知识（如LMCI阶段海马体体积阈值）编码至网络优化过程；最后，自适应损失加权策略解决多任务梯度冲突问题。

临床转化价值在于：1）为AD早期干预提供客观影像标志物，尤其有助于识别MCI向AD转化的高风险个体；2）框架可扩展至其他器官特异性疾病（如帕金森病）的诊断系统开发。研究团队指出，未来将进一步验证模型在纵向队列中的预测稳定性，并探索海马体亚区特征与tau蛋白沉积的空间关联性。

（注：全文数据及方法细节均源自原文，作者Lingling Fang等未声明利益冲突，致谢中提及大连医科大学附属第二医院神经内科的临床数据支持）