基于混合视觉-影像组学聚合框架的主观认知下降智能分类研究

《BMC Medical Imaging》：Multimodal integration of deep learning and radiomics enables early detection of subjective cognitive decline

　　

摘要

背景

深度学习已成为改进医学影像中疾病特征的一种有前景的策略，但其在神经退行性疾病中的应用仍然有限。主观认知下降（SCD）是阿尔茨海默病（AD）的一个关键临床前期阶段，但由于脑部变化的细微性和异质性，其识别极具挑战性。

材料与方法

从阿尔茨海默病神经影像倡议（ADNI）数据库中共纳入了 234 名正常对照和 229 名 SCD 个体。使用标准化程序对结构化 T1 加权 MRI 数据进行预处理。我们提取了 MRI 影像组学特征和基于视觉 Transformer 的深度特征。为了整合互补信息，我们提出了一种基于最小冗余最大相关（mRMR）派生特征选择和加权特征拼接的混合视觉 - 影像组学聚合（HVRA）框架。通过特征选择程序识别出共识特征，并使用 ADNI 队列内的重复交叉验证策略评估模型性能，以评估内部验证性能。

结果

HVRA 模型取得了最佳性能，准确率为 88.98% ± 3.42%，AUC 为 0.941，优于所有单模态方法。与传统融合策略（包括直接拼接和可学习融合方法）相比，HVRA 展现了卓越的分类性能。四个共识特征被一致选中，并显示出与认知表现显著相关。此外，这些特征显示出与认知表现的关联，表明它们在表征与 SCD 相关的脑部改变方面具有潜在的相关性。

结论

整合深度学习和影像组学特征提供了对与 SCD 相关的脑部改变的更全面表征，支持其在改进 SCD 分类方面的潜力。