双流影像基因组网络模型在阿尔茨海默病临床评分评估中的应用研究

本研究针对阿尔茨海默病（AD）早期诊断难题，提出了一种创新的双流影像基因组网络（DS-IGN）模型。通过整合纵向神经影像数据（sMRI）与静态基因特征（SNP），采用超图卷积捕捉脑区高阶关联，结合注意力机制优化基因位点权重，实现了对患者24个月后MMSE评分的精准预测（MAE=1.450，R=0.676）。该研究为AD的早期干预提供了新型多模态融合范式，发表于《PNAS Nexus》。

　　

随着全球老龄化加剧，阿尔茨海默病（AD）已成为重大公共卫生挑战。这种神经退行性疾病以记忆丧失和认知衰退为特征，但其病理机制尚未完全阐明。目前研究面临两大瓶颈：一是传统方法难以整合高度异质的多模态数据（如神经影像与基因组数据），二是小样本量导致模型易过拟合。更棘手的是，基因数据中数百万SNP仅有少量与AD相关，而脑萎缩的时序特征常被横断面研究忽略。

杭州电子科技大学智能传感与认知健康重点实验室的研究团队在《PNAS Nexus》发表创新成果，提出双流影像基因组网络（DS-IGN）。该模型通过超图卷积处理纵向sMRI数据，捕捉三个时间点（基线、6月、12月）脑区体积的动态变化；同时采用多头自注意力机制解析SNP位点间的非线性交互。研究整合ADNI数据库386例患者的160个AAL3脑区特征与610-Quad基因芯片数据，首次实现24个月MMSE评分的超前预测（R=0.676），为AD早期预警提供了可解释的多模态生物标志物。

关键技术包括：1）基于k近邻策略构建时序加权超图（α₁=0.2, α₂=0.3, α₃=0.5）；2）采用Kolmogorov-Arnold网络解码基因特征；3）典型相关分析（CCA）损失函数优化多模态对齐。

实验结果

超图参数优化：当邻居数=20时模型性能最优（RMSE=1.932），证明脑区协同变化具有时空特异性。
模块贡献度：消融实验显示超图卷积对预测贡献最大（移除后R下降33.6%），其次是CCA损失函数（R降低2.4%）。
临床相关性：模型在MMSE<20时预测偏差增大，提示重症AD存在独特病理模式。

讨论

该研究突破传统单模态分析局限，通过三点创新：1）首次将超图理论应用于AD纵向影像分析；2）开发基因注意力权重自适应机制；3）建立跨模态CCA映射框架。相比既往研究（如Tabarestani等的张量多任务网络RMSE=2.32），DS-IGN将预测误差降低16.7%。未来可结合空间转录组数据，从预测转向病理机制解析，为个体化干预提供新靶点。