基于多模态补丁深度学习的阿尔茨海默病MRI与FDG-PET分类研究

《Scientific Reports》：Multimodal patch-based deep learning for early Alzheimer’s disease classification using MRI and PET

　　

摘要

阿尔茨海默病（AD）是一种神经退行性疾病，在早期阶段检测病理变化，尤其是在轻度认知障碍（MCI）阶段，对该病的早期诊断和治疗至关重要。虽然 MRI 提供了大脑的结构视图，但 FDG-PET 互补地提供了因神经退行性变而导致的脑功能和代谢变化视图。在本研究中，我们提出了一种基于多模态补丁的深度学习方法框架，用于根据 MRI 和 FDG-PET 数据对对 AD、MCI 和认知正常（NC）患者进行分类。数据来自阿尔茨海默病神经影像学倡议（ADNI）数据库的 168 名患者，其中包括 58 名 AD、54 名 MCI 和 56 名 NC 患者。T1 加权 MRI 和 FDG-PET 体积数据经过预处理并配准到共同的解剖空间，随后提取非重叠的三维补丁。然后，我们使用两个三维卷积神经网络（3D-CNNs）提取结构和功能特征，最后进行特征的多模态融合。为了提高最终预测结果的稳健性，采用了一种基于 Stacking 的集成算法，并利用一维卷积神经网络（1D-CNN）元学习者来融合基模型的预测输出。模型性能通过受试者水平的五折交叉验证进行评估，准确率、精确率、召回率、F1 分数和 AUC 被选为评估标准。提出的完整框架在 NC 与 MCI、AD 与 NC 以及 AD 与 MCI 诊断上的平均准确率分别达到 97.50% ± 2.40%、99.00% ± 1.90% 和 96.00% ± 2.10%，相应的 AUC 分别为 0.983、0.996 和 0.973。消融分析也证明，基于补丁的表示、多模态特征融合和 Stacking 有助于实现预期的分类性能，因为完整框架显著优于所有消融配置（p < 0.01）。根据获得的结果，可以认为，在基于补丁的三维深度学习算法框架下，结合 MRI 和 FDG-PET 扫描提供的局部结构和代谢特征，有助于有效区分 AD、MCI 和认知正常受试者。在将该框架应用于临床实践之前，还需要进一步的验证。