编辑推荐：
为解决阿尔茨海默病（AD）早期诊断难题，研究人员开展基于 nnU - Net 框架的内侧嗅周皮层（mPRC）自动化分割研究。结果显示，自动与手动测量皮层厚度一致性高，且 AD 组 mPRC 等区域萎缩显著。该研究有助于 AD 早期诊断研究。
在老龄化社会中，阿尔茨海默病（AD）的危害日益凸显。它就像大脑中的 “隐形杀手”，悄无声息地侵蚀着患者的认知功能。目前，早期诊断 AD 是医学领域的一大挑战。AD 患者大脑中会出现 β - 淀粉样斑块和神经原纤维缠结（NFT）等病理变化，其中 NFT 与认知缺陷关联更为紧密，且其在大脑中的积累呈层级式发展。内侧嗅周皮层（mPRC）作为 AD 病理进程中最早受影响的区域之一，对早期诊断 AD 具有重要意义。然而，由于 mPRC 体积较小、解剖边界存在个体差异，在临床诊断中常被忽视，且目前自动测量 mPRC 皮层厚度的工具十分有限。为了攻克这些难题，来自瑞士巴塞尔大学老年医学系等多个研究机构的研究人员开展了相关研究，其成果发表在《Scientific Reports》上。
研究人员采用了多种关键技术方法。首先，他们收集了训练数据集（N=126）和测试数据集（N=103），这些数据来自瑞士巴塞尔的记忆诊所等机构，涵盖了健康对照者、阿尔茨海默病患者、轻度认知障碍（MCI）患者等不同人群。接着，利用 FreeSurfer 软件对结构磁共振成像（MRI）进行预处理和手动分割，获取感兴趣区域（ROIs，如 mPRC、外侧嗅周皮层 lPRC 和内嗅皮层 ERC）的手动标注。之后，基于 nnU - Net 框架训练网络，以实现对这些区域的自动化分割。最后，通过单因素协方差分析（ANCOVA）等统计方法，比较不同组间皮层厚度的差异，并使用组内相关系数（ICC）评估手动和自动分割的一致性。
在研究结果方面：
- 不同组间皮层厚度差异：通过 ANCOVA 分析，以年龄、性别和教育水平为协变量，研究发现与健康对照组（NC）相比，阿尔茨海默病痴呆（dAD）组的 ERC、mPRC 和 lPRC 平均皮层厚度显著降低；而轻度认知障碍（aMCI）组仅 ERC 显著萎缩，mPRC 和 lPRC 的差异未达到经 Bonferroni 校正后的显著性水平。
- 手动与自动分割一致性：ICC 分析表明，手动和自动分割得到的皮层厚度估计值在所有 ROIs（mPRC、lPRC 和 ERC）中都具有较高的 ICC 值，这意味着手动和自动分割产生的结果具有可比性。
在研究结论和讨论部分，研究人员成功开发了基于 U - Net 架构的自动化分割工具，且该工具与手动分割结果高度一致，尽管在 aMCI 与 NC 组 mPRC 比较中自动分割未完全复制手动结果，但仍呈现出一定趋势。这一自动化工具在处理大规模数据集时具有显著优势，为 AD 早期诊断研究提供了新的有力手段。不过，研究也存在一些局限性，如 mPRC 区域的自动分割受其解剖变异性影响较大，且手动和自动分割都可能受到像素重叠等因素干扰。未来研究需要更大样本量，考虑更宽松的统计校正，同时结合其他 AD 生物标志物以及功能成像研究，进一步优化该工具，提升 AD 早期诊断的准确性，为患者争取更早的干预和治疗时间，推动 AD 研究和临床实践的发展。
