阿尔茨海默病（AD）作为全球人口老龄化背景下的主要公共卫生挑战，目前影响着超过5000万人，预计到2050年这一数字将上升到1.31亿（Brookmeyer等人，2007年）。在这种背景下，开发有效的早期预测和干预策略变得尤为紧迫。轻度认知障碍（MCI）是AD的主要前驱阶段（Petersen，2004年），其特征是明显的预后异质性（Atri，2019年）：大约15-30%的进行性MCI（pMCI）患者在三年内进展为AD，而稳定MCI（sMCI）患者可能多年保持相对完好的认知功能（Association，2019年）。然而，当前的临床实践仍缺乏能够在个体层面实现精确早期风险分层的工具，导致许多高风险患者错过了最佳干预窗口（Livingston等人，2017年）。因此，利用神经影像生物标志物的客观预测方法的发展成为提高AD早期检测的核心焦点（King，Bodi，Troakes，2020年；Park，Hong，Lee，Park，Shin，2023年）。
近年来，多模态数据融合已成为早期预测AD的有希望的方法。结构MRI（sMRI）与脑脊液生物标志物（例如Aβ42、p-tau）、遗传信息（例如APOE4等位基因）和临床神经心理学评估的整合显著提高了预测MCI转化为AD的准确性，使得能够跨脑结构、分子病理和认知表型获得互补的见解（Zhang等人，2011年）。然而，这种方法的临床应用受到多个挑战的阻碍，包括多模态数据的异质性、不同中心采集协议的一致性、脑脊液和遗传数据的高丢失率，以及模态对齐和融合的计算复杂性，这些因素共同限制了其常规应用（Fortin等人，2018年）。相比之下，sMRI仍然是最具有临床可行性的独立数据来源。其非侵入性、广泛的可用性、标准化的采集协议以及能够提供丰富的脑结构形态信息的特点，使其特别适合在初级保健环境中进行大规模筛查和纵向随访（Jack等人，2018年）。
尽管sMRI具有相当大的临床优势，但其在MCI结果预测建模中的应用仍受到几个持续存在的挑战的限制。首先，传统的手工特征（例如区域体积、皮质厚度）对MCI亚型中微妙和弥漫性的病理改变敏感性有限（Park和Moon，2016年）。其次，现有的高性能预测模型通常依赖于12-24个月的纵向数据（Wang，Chen，Zhang，Zhou，Feng，Huang，2023年；Zhu，Kim，Zhu，Kaufer，Wu，2021年），这在只有单次时间点扫描的临床应用中构成了挑战。此外，当前方法通常未能充分考虑区域脑对AD病理的异质性反应在特征提取过程中的影响。具体来说，它们往往无法有效区分和利用与疾病进展密切相关的形态改变，例如在易受影响区域的萎缩模式，限制了模型捕捉AD异质性病理轨迹的能力（Roe和Vidal-Pi?eiro，2021年）。
随着深度学习技术的发展，卷积神经网络（CNN）逐渐被应用于sMRI分析，其分层特征提取能力使它们能够克服传统方法的局限性（Litjens，Kooi，Bejnordi，Setio，Ciompi，Ghafoorian，Van Der Laak，Van Ginneken，Sánchez，2017年；Wen，Thibeau-Sutre，Diaz-Melo，Samper-González，Routier，Bottani，Dormont，Durrleman，Burgos，Colliot，2020年；Zhang，Han，Zhu，Sun，Zhang，2022年）。然而，当前的基于CNN的方法仍面临多个挑战：2D切片输入破坏了固有的三维解剖连续性（Choi，Lee，2020年；Hon，Khan，2017年；阿尔茨海默病神经影像倡议组，Wu，Guo，Hong，Xiao，Wu，Zhang，2018年）。依赖于手动勾画的感兴趣区域（ROIs）限制了预测模型的泛化性能。尽管全体积3D CNN保持了空间完整性，但参数数量的立方增长带来了巨大的计算负担，而渐进式下采样不可避免地导致精细形态特征的丢失（Aderghal，Benois-Pineau，Afdel，2017年；Cui，Liu，2019年；Li，Zhang，Tan，Qin，Wang，Li，2021b）。尽管能够动态增强病变反应并提高信噪比（Liu，Lu，Pan，Xu，Lan，Luo，2022年；Luo，He，Cui，Ward，Chen，2024年），但最初为自然图像开发的基于注意力的架构在模拟神经影像数据的各向异性方面存在固有局限性，并通过自注意力操作带来了巨大的计算负担（Vaswani等人，2017年），限制了特征表示的准确性和在AD诊断中的部署可行性。
大脑半球不对称性被认为是AD病理的中心生物学特征（Roe和Vidal-Pi?eiro，2021年），对早期检测具有重要的预测价值。在健康大脑中，观察到特征性的左前-右后不对称性，而AD选择性地破坏了这种模式，导致左侧内侧颞叶的加速萎缩和异常的右侧优势（Ocklenburg等人，2024年）。在内嗅皮层和海马体等区域的结构性不对称性已被验证为从MCI转化为AD的有效预测因子（Long，Jiang，Zhang，2018年；Sarica，Vasta，Novellino，Vaccaro，Cerasa，Quattrone，阿尔茨海默病神经影像倡议组，2018年；Yang，Zhong，Zhou，Wei，Wang，Nie，2017年），并且可以从单次sMRI扫描中量化，无需纵向数据。然而，当前的方法框架仍然有限：依赖对称性假设的传统方法无法捕捉微妙的半球间差异；现有的深度学习（DL）架构缺乏建模不对称性空间分布及其与疾病分类相关性的模块；注意力机制通常忽略半球不对称性的解剖学先验，降低了定位准确性和可解释性。这些缺点阻碍了将半球不对称性这一高度敏感的生物标志物转化为稳健且具有临床可操作性的预测特征。
为了解决上述挑战，本研究扩展了我们之前的工作，引入了一个旨在预测MCI结果的深度学习框架。虽然我们之前的方法使用纵向sMRI数据建模时间动态（Liu等人，2025年），但本研究创新地将重点转移到从单次时间点sMRI扫描中提取的结构不对称性特征。所提出的病理驱动的半球不对称性卷积神经网络（HemiNet）利用了单个sMRI扫描中观察到的左右半球之间的空间不对称性。通过将注意力机制纳入CNN框架，该模型有效地提取了与病理相关的特征，无需纵向数据即可保持预测性能，从而提高了临床适用性。主要贡献总结如下：
（1）提出了一个轻量级的3D CNN（HemiNet）。旨在实际临床应用，它基于单次时间点的sMRI扫描，并结合了不对称性差异挖掘（ADM）策略来量化半球间的结构差异。这种方法能够生成疾病特异性生物标志物，并有效捕捉多层次的不对称性特征，从而为MCI的进展提供稳健的区分证据。
（2）引入了对侧半球融合（CHF）模块。它利用差异感知门控将深度可分离卷积与动态生成的权重相结合，实现双侧脑区的自适应整合，并以高计算效率和出色的表征性能准确捕捉与AD相关的不对称性特征。
（3）设计了病理焦点注意力机制（PFAM），该机制结合了级联通道和空间注意力，以便沿通道维度选择性地过滤判别性特征图，并在空间域中识别显著的病变区域，增强了神经退行性疾病中不对称性病理特征的表征。
（4）在ADNI数据集上的全面实验和交叉验证表明，我们的模型超越了所有基线模型，包括3D ResNet-18/50/101、3D VGG11、3D InceptionV3、3D SENet、ViT和DenseNet169，以及当前的最先进方法，在所有评估指标上均表现出优越的性能。
本文的其余部分组织如下。第2节描述了数据集的策划和图像预处理流程。第3节详细阐述了所提出的网络。第4节展示了实验结果及其解释。第5节讨论了本研究的局限性并概述了未来研究的方向。最后，第6节总结了本文。
