基于T2-FLAIR影像组学的深度自适应学习模型预测和诊断脑小血管病相关认知衰退：一项多中心研究

本研究针对脑小血管病(CSVD)相关认知障碍(CI)早期诊断难题，开发了一种基于Transformer架构的深度学习模型，通过提取T2-FLAIR序列中白质高信号(WMH)的影像组学特征，实现了CSVD-CI的自动化检测。研究纳入783例多中心数据，模型在训练集和外部验证集的AUC分别达0.841和0.859/0.749，显著优于传统机器学习方法。梯度加权类激活映射(Grad-CAM)揭示WMH纹理特征（特别是对数变换的灰度区域大小矩阵特征glszm）是关键预测因子，这些特征与CSVD宏观/微观结构改变显著相关，可介导年龄-认知关系并预测纵向认知衰退。该研究为CSVD-CI提供了首个基于常规MRI序列的可解释性人工智能诊断工具。

　　

脑小血管病(CSVD)是导致血管性认知障碍和痴呆的主要病因，其早期诊断面临重大挑战。传统神经心理学评估依赖专业人员且耗时耗力，而常规MRI检查中常见的白质高信号(WMH)虽与认知衰退相关，但现有视觉评估方法主观性强，体积量化与认知损伤的关系又呈现非线性特征。更棘手的是，不同医疗机构采集的影像数据存在显著异质性，这给开发普适性诊断工具带来了巨大障碍。

南京鼓楼医院的研究团队在《npj Digital Medicine》发表了一项突破性研究。该团队创新性地将Transformer深度学习架构与影像组学技术结合，利用常规T2-FLAIR序列中的WMH特征，构建了可解释的CSVD认知障碍(CSVD-CI)诊断模型。研究纳入三个中心的783例受试者（含161例纵向随访数据），采用域适应策略解决多中心数据异质性难题。通过Pyradiomics提取1316个WMH影像组学特征后，开发了包含特征提取器、标签分类器和域判别器的分层Transformer模型，并应用梯度加权类激活映射(Grad-CAM)解析关键特征贡献度。

关键技术包括：(1)基于UNETR的WMH自动分割技术；(2)从原始和13种滤波图像中提取85类1316个影像组学特征；(3)采用对抗学习的域适应策略增强模型泛化能力；(4)通过LASSO回归筛选扩散张量成像(DTI)微观结构指标验证生物学基础。

研究结果

患者入组与基线特征

三中心队列在年龄、教育水平和CSVD负担方面存在显著差异。CSVD-CI患者年龄更大、教育水平更低，且认知域评分全面下降（所有P<0.001）。

WMH影像组学特征提取

从T2-FLAIR图像提取7大类107个原始特征，经13种滤波器增强后共获得1316个特征/例，包括形状、灰度共生矩阵(GLCM)、灰度区域大小矩阵(GLSZM)等类型。

Transformer模型构建与训练

五折交叉验证显示模型AUC达0.841±0.016，准确率0.798±0.021。亚组分析表明模型性能不受WMH严重程度或脑微出血(CMBs)影响，但在合并腔隙性梗死(LI)患者中效能显著降低(AUC=0.674)。

与传统机器学习模型对比

Transformer模型(AUC=0.841)显著优于随机森林(0.820)、支持向量机(0.770)和XGBoost(0.813)。

外部验证表现

在医院和社区验证集的AUC分别为0.859和0.749。消融实验证实域适应策略使AUC提升0.038-0.081。

关键影像组学特征可视化

Grad-CAM热图显示对数变换的GLSZM特征(logarithm_glszm)贡献度最高(重要性0.996)，其16个子特征在CI/非CI组间均存在显著差异(P<0.001)。

生物学意义验证

1. 认知相关性：logarithm_glszm_ZoneEntropy等特征与所有认知域评分显著相关，并介导年龄对一般认知功能(间接效应-0.1035)和语言功能(间接效应-0.0721)的影响。

2. 结构关联：关键特征与WMH体积、LI数量显著相关(P<0.05)，并与DTI指标如各向异性分数(FA)呈现显著相关性。

3. 血液标志物：血浆神经丝轻链(NFL)与logarithm_glszm_ZoneEntropy正相关(r=0.292,P=0.002)，提示其反映轴索损伤。

纵向预测价值

在161例随访患者中，logarithm_glszm_GrayLevelNonUniformity等特征能预测年度MoCA评分下降(r=-0.419,P<0.001)，且在多变量Cox回归中保持显著预测价值(HR=1.466,P=0.004)。

这项研究开创性地证明，基于常规T2-FLAIR序列的WMH纹理特征结合Transformer深度学习模型，可构建高精度、可解释的CSVD-CI诊断工具。研究不仅解决了多中心数据异质性带来的泛化难题，更通过系统的生物学验证揭示了WMH纹理特征作为神经病理学改变量化指标的潜力。特别是发现logarithm_glszm特征能反映髓鞘损伤和轴索完整性，这为理解CSVD导致认知衰退的机制提供了新视角。该模型的临床转化将改变目前依赖主观评估的现状，使CSVD-CI的早期筛查和干预成为可能。未来研究可进一步整合LI特征和高级功能影像，优化对混合型血管神经退行性疾病的鉴别诊断。