综述：跨模态放射组学：神经退行性疾病的综合回顾

本文是关于神经退行性疾病中放射组学应用的综述。放射组学从医学图像提取定量特征辅助疾病诊疗，文中聚焦阿尔茨海默病（AD）、帕金森病（PD）等疾病，探讨其在多种成像模态的应用，分析优势与挑战，为后续研究提供参考。

　　

引言

神经退行性疾病如阿尔茨海默病（AD）、帕金森病（PD）等，给全球医疗系统带来巨大挑战。传统成像技术在早期疾病检测上敏感度不足，放射组学因此受到关注。放射组学能从医学图像中提取定量特征，揭示人眼难以察觉的组织模式，其工作流程包括图像采集与预处理、感兴趣区域（ROI）分割、特征提取、特征选择与模型构建等环节 。尽管目前多数研究集中于基于磁共振成像（MRI）的特征，但该技术在核医学等领域也有应用潜力。

放射组学工作流程和技术

1. 图像采集和预处理：标准化的数据采集和图像重建对放射组学至关重要。不同扫描设备的协议和分辨率差异会影响模型准确性，可通过插值、滤波等方式处理图像，使其达到统一的体素大小和分辨率，减少扫描仪相关的变异性。多模态成像时，常将 PET 或 SPECT 图像与形态学扫描（如 T1 加权 MRI）进行配准，或对齐到标准化模板。可利用 MATLAB、Python 开发的工具及开源软件进行图像预处理。
2. 感兴趣区域分割：医学图像采集后需进行分割以确定 ROI，分割方式有手动、半自动和全自动。手动分割虽准确但耗时、缺乏重复性，半自动和全自动分割方法应用更广泛。例如，有研究训练深度学习模型分割脑组织和结构，取得了较好的重复性和准确性。在神经退行性疾病研究中，可将大脑分割为不同区域，提取各区域的放射组学特征。
3. 特征提取：特征分为放射学特征和手工特征。放射学特征是放射科医生在图像解读时评估的传统特征，手工特征则通过数学方法从图像中提取，包括形态学、一阶、二阶和高阶特征。常见的特征提取方法有灰度共生矩阵（GLCM）等。为保证可重复性，相关组织定义了标准化的放射组学特征集，可借助软件工具提取。此外，深度学习方法能直接从医学图像中自动学习特征。
4. 特征协调：在多中心研究中，不同的成像协议和设备会导致 “批效应”，特征协调可解决这一问题。ComBat 是常用的特征协调方法，它基于经验贝叶斯方法，通过标准化特征值消除技术变异性，保留生物学信号。还有一些改进方法，如转移学习 ComBat、Nested ComBat 等，可应对不同场景，且部分方法在 GitHub 上公开可用。
5. 特征选择和模型构建：从大量数据中选择最具信息性的特征对构建有效预测模型和防止过拟合至关重要。常见的特征选择技术包括独立成分分析（ICA）、基于回归的方法（如 LASSO、弹性网络）等。选择的特征经交叉验证或独立测试集验证后，应用机器学习算法构建预测模型，机器学习算法分为监督学习和无监督学习。是否进行回归步骤取决于数据复杂性等因素，回归步骤有助于减少过拟合、提高模型稳健性，并为模型解释提供特征权重。

神经退行性疾病放射组学研究综述

1. 阿尔茨海默病
   • MRI 放射组学在 AD 中的应用：MRI 放射组学在 AD 研究中作用关键，可检测早期大脑变化、区分疾病阶段、预测从轻度认知障碍（MCI）向 AD 的进展。研究显示，基于 MRI 的放射组学模型在区分 AD 与正常受试者、MCI 与正常受试者以及 AD 与 MCI 方面有一定的敏感度和特异性。不同研究利用 T1 加权、T2 加权、扩散加权和静息态功能 MRI 序列提取特征构建模型，取得了较好的分类和预测效果。
   • PET 放射组学在 AD 中的应用：PET 放射组学可检测 AD 关键生物标志物，如淀粉样蛋白和 tau 蛋白沉积，提高诊断准确性。例如，有研究利用¹⁸F-FDG PET 图像开发放射组学模型预测淀粉样蛋白阳性，还有研究分析 tau PET 图像对 AD 和 MCI 患者进行分类，均取得了较高的准确率和 AUC 值。
   • 多模态放射组学在 AD 中的应用：多项研究表明，结合多种成像模态的放射组学特征在 AD 研究中具有优势。如整合¹⁸F-FDG PET 和 MRI 放射组学特征可增强对 MCI 向 AD 进展的预测，且多模态模型的表现优于单模态模型。不过，多数研究采用内部验证或交叉验证，部分研究未进行外部验证，限制了模型的通用性。
   
   
2. 帕金森病
   • MRI 放射组学在 PD 中的应用：MRI 放射组学在 PD 研究中潜力巨大，可预测认知下降、识别运动功能障碍、检测早期疾病变化。相关研究通过对结构 T1 加权 MRI、静息态功能磁共振成像（rs-fMRI）、扩散张量成像（DTI）等数据的分析，构建模型预测 PD 患者的认知下降、步态冻结等情况，且模型表现出较高的准确率和 AUC 值。此外，神经黑色素和 T2?加权 MRI 标记物在区分不同阶段 PD 方面也有一定作用。
   • PET 放射组学在 PD 中的应用：PET 放射组学研究聚焦于提高诊断准确性、改善特征稳定性和探索深度学习模型。研究发现不同插值方法对¹⁸F-FDG PET 成像中放射组学特征的可重复性有影响，标准化插值技术很重要。还有研究应用深度学习模型分析¹⁸F-florzolotau PET 扫描，在诊断进行性核上性麻痹（PSP）方面优于传统 PET 分析。
   • SPECT 放射组学在 PD 中的应用：有研究利用从多巴胺转运体扫描（DaTScans）中提取的特征，结合临床和人口统计学数据，预测 PD 患者蒙特利尔认知评估（MoCA）评分变化、Hoehn - Yahr 分期和认知下降情况，模型取得了较高的准确率和 AUC 值，表明结合临床和成像特征可提高预测准确性。
   • 多模态放射组学在 PD 中的应用：多模态放射组学在 PD 研究中也有应用，如结合 PET 和 MRI 成像的放射组学特征可区分 PD 和多系统萎缩（MSA），结合 MRI 和 SPECT 的纵向多模态放射组学数据可预测 PD 进展，且多模态模型在分类和预测方面表现出色。但多数 PD 研究采用内部验证或交叉验证，仅有少数进行了外部验证。
   
   
3. 多发性硬化
   • MRI 放射组学在 MS 中的应用：MRI 放射组学在多发性硬化（MS）研究中前景良好，可用于表征不同类型的病变、评估认知障碍、提高诊断精度。研究利用 T2 - 液体衰减反转恢复（T2 - FLAIR）等 MRI 序列提取特征，对 MS 病变进行分类、预测认知进展等，模型在不同任务中取得了较高的准确率和 AUC 值，在成人和儿童 MS 患者研究中均有成效。
   • 多模态放射组学在 MS 中的应用：有研究开发深度学习模型，结合¹⁸F-FDG - PET 和 MRI 放射组学特征，对 MS 患者的年化复发率（ARR）进行分类，模型表现出较高的准确率和 AUC 值，显示出多模态成像和先进放射组学在预测 MS 患者临床结果方面的潜力。多数 MS 研究采用内部验证或交叉验证，部分未进行外部验证。
   
   
4. 其他神经退行性疾病：肌萎缩侧索硬化和亨廷顿病：肌萎缩侧索硬化（ALS）是一种进行性神经退行性疾病，区分其亚型有一定难度。有研究开发机器学习和深度学习模型对 ALS 亚型和疾病进展进行诊断和预测，但由于 ALS 发病率低、样本量小，放射组学在该领域的应用还需进一步研究。亨廷顿病（HD）是一种遗传性神经退行性疾病，早期诊断困难。研究利用 MRI 特征，通过支持向量机（SVM）等方法对 HD 患者和健康对照进行分类，取得了一定的准确率，表明放射组学在 HD 精确诊断中有潜在作用。

总结和未来方向

放射组学在神经退行性疾病研究中应用日益广泛，可结合多种成像模态、临床数据和机器学习方法对疾病进行分类、预测神经退行性变和运动 / 非运动功能障碍。MRI 放射组学因无创、广泛可用和高空间分辨率在研究中占主导，但易受扫描仪差异影响且缺乏直接分子信息。PET 和 SPECT 放射组学能捕捉疾病特异性分子和生理过程，但存在空间分辨率低、成本高、可用性有限和有电离辐射等问题。结合多种模态并解决标准化问题，对推进放射组学在神经退行性疾病研究中的应用很有前景。目前放射组学在临床转化中面临挑战，如缺乏标准化、监管审批不完善等。多数研究依赖内部验证，未来应优先开展大规模临床试验、采用多模态成像方法、开发标准化放射组学流程，并注重外部验证，加强与基因组和临床数据的整合，以推动放射组学在早期疾病检测、个性化治疗和监测治疗效果等方面发挥更大作用。