基于联合图像合成与特征转换的阿尔茨海默病多模态诊断方法研究

针对阿尔茨海默病（AD）诊断中多模态神经影像数据缺失的难题，研究人员提出联合图像合成与分类学习框架（JISCL），通过多尺度生成对抗网络（MGAN）合成缺失模态并提取转换特征，结合决策级融合提升诊断性能。实验表明，该方法在AD识别和轻度认知障碍（MCI）分类中达到最优效果，为不完整多模态数据分析提供通用解决方案。

　　

阿尔茨海默病（AD）作为最常见的神经退行性疾病，给全球公共卫生系统带来巨大负担。尽管多模态神经影像数据（如结构MRI和FDG-PET）能显著提升诊断准确性，但实际临床中常因成本、时间或技术限制导致模态缺失。传统方法要么丢弃不完整样本，要么独立处理图像合成与诊断任务，既浪费数据资源又忽视合成过程中的潜在特征价值。如何利用不完整多模态数据实现精准AD诊断，成为亟待解决的科学问题。

针对这一挑战，云南大学的研究团队在《Engineering Applications of Artificial Intelligence》发表研究，提出创新性的联合图像合成与分类学习框架（JISCL）。该研究通过两项核心技术突破：一是采用多尺度生成对抗网络（MGAN）实现MRI与PET的双向合成，并在过程中提取高维转换特征；二是设计决策级融合模块，整合原始模态的私有特征与合成过程的公共特征。研究使用ADNI-1和ADNI-2数据集验证，样本涵盖AD、MCI和健康对照组。

评估生成图像部分显示，MGAN在PSNR和SSIM指标上显著优于传统GAN、CycGAN和pix2pix。例如在PET合成任务中，MGAN的PSNR达到28.7，较基线模型提升12%。讨论与结论指出，JISCL框架通过联合优化策略使合成图像更适配下游诊断任务，在AD识别准确率达89.3%，MCI转化预测AUC值0.91，较两阶段方法提升约8%。特别值得注意的是，研究首次证实合成过程中产生的转换特征对分类贡献度达34%，这一发现为多模态医学图像分析提供了新视角。

该研究的核心价值在于：首次实现合成与诊断的端到端优化；提出的通用框架可处理任意模态缺失场景；通过特征转换机制挖掘了跨模态关联的生物学意义。作者在局限性中指出，未来可扩展至更多模态（如DTI）和更大规模队列验证。这项工作不仅推动了AD早期诊断技术的发展，其方法论对帕金森病等神经退行性疾病研究也具有借鉴意义。