基于FP-CIT成像的层次化深度学习与影像组学融合方法在鉴别帕金森病与非典型帕金森综合征中的应用
《Parkinsonism & Related Disorders》:Hierarchical deep learning–radiomics fusion for differentiating Parkinson's disease from atypical Parkinsonism using FP-CIT imaging
【字体:
大
中
小
】
时间:2026年10月17日
来源:Parkinsonism & Related Disorders 4.3
编辑推荐:
摘要
背景
帕金森病(PD)和非典型帕金森综合征(AP)在鉴别诊断上具有挑战性,尤其是在疾病早期,因为两者的运动症状存在重叠,且多巴胺能神经退行性变模式相似。我们开发了一个可解释的人工智能(AI)框架,结合深度学习与放射组学,利用从FP-CIT成像中自动提取的纹状体感兴趣
摘要
背景
帕金森病(PD)和非典型帕金森综合征(AP)在鉴别诊断上具有挑战性,尤其是在疾病早期,因为两者的运动症状存在重叠,且多巴胺能神经退行性变模式相似。我们开发了一个可解释的人工智能(AI)框架,结合深度学习与放射组学,利用从FP-CIT成像中自动提取的纹状体感兴趣区(ROI)对帕金森综合征进行鉴别诊断。
方法
本研究回顾性分析了228名参与者,包括健康对照(HC)、PD患者和AP患者。采用基于热点的边界框算法从FP-CIT图像中自动提取纹状体ROI。通过分层晚期融合框架整合放射组学特征与深度学习导出的影像特征。分层分类分为两个阶段:第一阶段为HC与帕金森综合征的区分,第二阶段为PD与AP的区分。采用Grad-CAM和SHAP分析评估模型的可解释性。
结果
在五次随机种子中,经验证集选择的晚期融合模型在第一阶段(HC与帕金森综合征)的平均留出测试准确率、F1分数和ROC-AUC分别为0.906、0.942和0.969;在第二阶段(PD与AP)分别为0.815、0.669和0.880。消融分析表明,在两个阶段中,与仅使用深度学习的模型相比,平均准确率和F1分数均有小幅提升。Grad-CAM提供了贡献于模型预测的图像区域的定性可视化,而SHAP则识别了具有阶段依赖性的放射组学重要性特征谱,主要涉及体素强度分布和纹理异质性。
结论
所提出的框架在帕金森综合征的分层分类中展现了有前景的内部性能,并为贡献于模型预测的图像区域和放射组学特征提供了探索性信息。这些发现支持了在FP-CIT图像分析中整合深度学习与放射组学的可行性;然而,在确立其外部泛化能力和临床实用性之前,仍需要进行独立的多中心验证。
引言
帕金森病(PD)是一种相对常见的神经系统疾病,其病理特征为黑质纹状体通路中多巴胺能神经元的进行性退变,临床表现为运动症状,包括动作迟缓、肌强直、震颤和姿势不稳[1], [2]。非典型帕金森综合征(AP),如多系统萎缩(MSA)和进行性核上性麻痹(PSP),常表现出重叠的运动症状和临床表现,尤其是在疾病进展早期,增加了鉴别诊断的难度[3], [4]。这种诊断困难在临床上具有重要意义,因为帕金森综合征各病种在预后、治疗反应和疾病进展方面存在显著差异[5]。
使用FP-CIT进行多巴胺转运体成像被广泛用于评估突触前多巴胺能功能障碍并辅助帕金森综合征的诊断。纹状体多巴胺转运体介导的FP-CIT摄取减少反映了多巴胺能神经元的退变,而神经影像中这种摄取缺陷的具体模式提供了关于疾病严重程度的重要信息[6], [7]。然而,FP-CIT图像的传统解读主要依赖核医学专家的主观视觉评估,导致观察者间存在较大的差异[7], [8]。此外,PD与AP之间的多巴胺能退变模式部分重叠,仅凭视觉解读难以准确进行鉴别诊断[9]。
近年来,基于人工智能(AI)的医学影像分析技术取得了显著进展,可能允许采用深度学习和放射组学实现自动化分类[10], [11], [12]。深度学习模型能够从高维医学图像中自动识别复杂的空间模式,而放射组学则能够对影像表型进行定量表征,包括纹理、强度和异质性[10], [13]。尽管此前已有若干研究将AI方法应用于多巴胺转运体成像,但仍存在重要的局限性。
首先,大多数既往研究侧重于健康对照与PD的简单二分类,而非更具临床挑战性的PD与AP鉴别任务。其次,许多此类研究依赖于全脑分析或手动定义的感兴趣区(ROI),限制了可重复性和临床适用性。第三,尽管基于深度学习的研究报告了有前景的分类性能,但许多研究缺乏关于贡献于模型预测的影像特征的可解释性,从而限制了临床可解释性和可靠性。此外,鲜有研究全面整合放射组学与深度学习特征来表征多巴胺能神经退行性变模式。
理想情况下,诊断模型不仅应高精度地区分疾病状态,还应提供可解释的证据以支持临床决策[14], [15]。为使AI辅助诊断系统具备临床适用性,模型所使用的影像特征应与生物学上和临床上有意义的神经退行性改变相关联。将可解释AI与放射组学分析相结合可能有助于为帕金森综合征建立客观且具临床可解释性的影像生物标志物。
为克服现有AI辅助诊断的局限性,我们开发了一个可解释的多模态AI框架,结合深度学习与放射组学,利用从FP-CIT图像中自动提取的纹状体ROI。所提出的框架提供了四项主要进展:第一,通过自动提取纹状体ROI最小化对手动定义ROI的依赖,从而提高可重复性。第二,我们应用了涉及HC、PD和AP患者的分层分类策略,以更好地反映真实世界临床诊断流程。第三,我们采用晚期融合策略整合了深度学习导出的影像特征与放射组学特征,在本内部评估中相较于仅使用深度学习的模型提供了适度的互补性提升。最后,Grad-CAM和SHAP提供了关于空间注意力模式以及强度与纹理相关的放射组学特征对模型预测贡献的探索性信息[16], [17]。这一可解释的多模态AI辅助FP-CIT分析框架可能支持帕金森综合征的客观鉴别诊断和临床决策。
材料和
本研究采用晚期融合框架,独立从三维FP-CIT图像中识别区分性放射组学特征,随后进行整合评估(图1)。图1a展示了健康状态与帕金森状态下多巴胺能系统变化的示意图,而图1b则展示了本研究中使用的三维FP-CIT图像的代表性轴位、矢状位和冠状位视图。对于模型训练,以纹状体为中心的感兴趣区为
自动ROI提取与放射组学特征分析
图2a展示了HC、PD和AP组中自动提取的纹状体ROI的代表性示例。在所显示病例中,边界框在视觉上包围了双侧纹状体高摄取区域,包括具有异质性或不均匀摄取模式的病例。这些示例对自动ROI提取过程进行了定性说明,而非对定位准确性的定量评估。
在Stage 1中,大面积低灰度强调、联合熵和
讨论
在本研究中,我们开发了一个结合深度学习与放射组学的可解释融合框架,利用从FP-CIT图像中自动提取的纹状体区域进行帕金森综合征的分层分类。所提出的模型在分层分类任务中展现了有前景的内部性能。Grad-CAM和SHAP分析为模型预测提供了探索性见解,而UMAP则被用于定性可视化所学习的分布
结论
所提出的可解释框架整合了深度学习与放射组学,利用从18F-FP-CIT PET图像中自动提取的纹状体区域进行帕金森综合征的分层分类。晚期融合相较于单表示模型提供了适度的互补性提升,在区分HC与帕金森综合征方面性能强于鉴别PD与AP。Grad-CAM和SHAP为图像区域和放射组学特征提供了探索性见解
作者贡献声明
Kwang Gi Kim:撰写–审阅与编辑、监督。Jun Kim:撰写–初稿、软件、方法论。Kawngwoo Park:撰写–审阅与编辑、概念构思。Young Jae Kim:方法论、数据整理
伦理声明
作者未获得参与者或其法定代表的知情同意。由于本研究的回顾性性质,机构审查委员会豁免了书面知情同意的要求。所有患者数据在分析前均已去标识化。
本研究在研究所在地的相关法律、法规框架和指导方针下开展。本研究已获得加图立大学伦理审查委员会批准
人类伦理与参与同意
研究方案已获得加图立大学吉尔医疗中心机构审查委员会批准(IRB编号:GBIRB2026-180)。所有患者数据在分析前均已去标识化。本研究按照《赫尔辛基宣言》的伦理原则进行。由于本研究的回顾性性质,机构审查委员会豁免了知情同意的要求。
出版同意
不适用。
数据可用性
本研究中使用的数据来自AI-Hub平台上名为"帕金森病诊断多模态数据"的数据集(AI-Hub数据集编号:516),该数据集于2021年构建,并于2022年7月最后更新。该数据集可通过AI-Hub平台获取(https://aihub.or.kr/aihubdata/data/view.do?dataSetSn=516;最后访问日期:2026年9月4日)。获取该数据集需向AI-Hub申请并经批准,目前数据通过其安全在线
代码可用性
因机构规定和数据隐私限制,本研究所用代码不公开提供,但可在合理请求下从通讯作者处获取。
利益冲突
作者声明不存在利益冲突。
资助
本工作由京畿道GRRC项目资助[GRRC-Gachon2023(B01),基于AI的医学影像技术开发],并获韩国国家研究基金会(NRF)(MSIT资助)(RS-2026-25487165)资助。
利益冲突声明
? 作者声明,他们不存在任何可能对本论文所报告工作产生影响或被视为影响的已知竞争性财务利益或个人关系。
Jun Kim|Young Jae Kim|Kawngwoo Park|Kwang Gi Kim
成均馆大学医学院Metabiohealth系,韩国大韩民国始华
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号