基于可解释AI的多变量脑区年龄图谱解析阿尔茨海默病的临床严重程度模式

本研究针对阿尔茨海默病(AD)脑老化机制不明的问题，开发了融合深度学习(AgeNet)与SHAP算法的可解释AI模型。通过825例MRI数据揭示了MCI/AD患者脑区萎缩的层级化多变量模式，发现AD患者存在广泛分布的脑区差异，且个体化脑区特征与CDR-SB临床评分显著相关，为AD进展监测提供了新型生物标志物。

　　

随着全球老龄化加剧，阿尔茨海默病(AD)已成为最严重的神经退行性疾病之一。目前全球患者超过5500万，预计2050年仅美国患者就将翻倍。年龄是AD最重要的风险因素，但传统研究多关注单一脑区与年龄的关系，忽视了多脑区协同作用机制。更关键的是，现有机器学习模型虽能预测脑年龄，却难以解释哪些脑区特征驱动了预测结果——这就像获得天气预报却不知气象原理，严重制约了科研成果的临床转化。

华盛顿大学医学院放射学系Mallinckrodt研究所的Gauri Darekar团队在《Biology Methods and Protocols》发表创新研究。他们开发了名为AgeNet的深度学习模型，在825例ADNI数据库的MRI数据中，该模型预测脑年龄的Spearman相关系数达0.87-0.90，显著优于传统机器学习方法。通过整合博弈论衍生算法SHAP（Shapley additive explanations），首次系统绘制出AD谱系的多变量脑区年龄图谱。关键技术包括：采用145个脑区体积特征经MUSE方法分割；构建五层深度神经网络；通过10折交叉验证比较Lasso回归、支持向量回归等模型；使用半模拟数据验证SHAP识别真实扰动脑区的准确性。

半模拟数据验证

在包含10个预设扰动脑区的234例模拟数据中，AgeNet-SHAP精准识别全部目标区域（如左侧颞平面、右侧岛叶后部），证实该方法捕捉多变量关系的可靠性。

实验数据集发现

ADNI-2和ADNI-others队列分析显示：1）MCI患者较认知正常者(CN)呈现中度脑区差异（如右侧杏仁核Cohen's d=0.62）；2）AD患者差异更显著且广泛（如左侧内囊前肢d值达1.38）；3）90%关键脑区在两个队列中重复出现，包括已知AD相关区域（第三脑室）和新发现枢纽（左侧颞极平面）。

临床相关性

左侧楔前叶、右侧穹窿等脑区的SHAP特征值与CDR-SB评分呈正相关（r>0.32），而左侧顶上小叶、右侧额下回三角部呈负相关，这些区域可作为疾病进展的量化指标。

该研究开创性地将可解释AI应用于AD脑老化研究，其价值体现在三方面：1）方法论上证实SHAP比LIME、LRP更适合解析多变量脑区贡献；2）临床方面揭示了从MCI到AD的脑区退化轨迹；3）个体化SHAP特征为精准医疗提供新工具。作者建议未来可结合PET、DTI等多模态数据，并探索体素级分析。这项研究不仅推进了对AD神经机制的理解，更为开发客观疗效评估指标奠定了理论基础。