《Journal of Imaging Informatics in Medicine》：UNICAL: Uncertainty-Aware Multimodal Learning with MRI-Derived Synthetic Amyloid PET for Alzheimer's Disease Classification
编辑推荐：
淀粉样蛋白正电子发射断层扫描（amyloid positron emission tomography，PET）的有限可用性推动了影像信息学方法的发展，这些方法可从常规获取的磁共振成像（magnetic resonance imaging，MRI）中推导出互补
淀粉样蛋白正电子发射断层扫描（amyloid positron emission tomography，PET）的有限可用性推动了影像信息学方法的发展，这些方法可从常规获取的磁共振成像（magnetic resonance imaging，MRI）中推导出互补的分子影像表征。研究人员开发了UNICAL，一种面向阿尔茨海默病谱系与认知正常分类的不确定性感知多模态框架，该框架结合了自监督三维MRI编码器、Contourlet Wavelet Stationary Radiomics（CoWS-Rad）工程化MRI特征以及MRI衍生的合成18F-florbetapir（AV45）PET。CoCoLIT为每例MRI生成了四个随机PET实现；它们的均值和体素级方差被用于概率锚定Transformer融合之前的不确定性门控。合成PET在228对OASIS-3 MRI–AV45检查中进行了验证，实现了平均每例检查体素级皮尔逊相关系数r = 0.864，以及与采集PET的强皮质复合SUVR一致性（皮尔逊r = 0.954）。在OASIS-3开发队列（来自811名参与者的813次扫描）中，跨20个随机种子重复进行的参与者分组五折交叉验证获得了AUROC 0.868和期望校准误差（expected calibration error，ECE）0.061。OASIS-3的开发终点使用了手稿中的AD谱系参考标准，而ADNI3则使用了AD对比CN的研究组标签，从而在一个相关但不完全相同的预测终点上提供了跨数据集评估。未经重新训练、特征重拟合、阈值优化或重新校准，该冻结框架在一个独立的匹配ADNI3队列（261名参与者，87例AD，174例CN）中进行了评估，达到了AUROC 0.836（95% CI 0.791–0.876）。外部迁移下ECE增至0.089，表明校准比排序判别对域偏移更敏感。消融分析和K样本敏感性分析支持了不确定性门控、自适应加权、模态丢弃、残差校正以及K = 4合成配置的贡献。因此，UNICAL提供了一种用于AD谱系分类的不确定性感知MRI衍生多模态表征，该表征在跨数据集中保留了显著的判别能力，同时仍区别于采集的分子影像，并且不能替代作为临床生物标志物的淀粉样蛋白PET。
研究背景与问题
阿尔茨海默病（Alzheimer’s disease，AD）是一种进行性神经退行性疾病，其生物学基础与β-淀粉样蛋白（amyloid-β）斑块和神经原纤维tau缠结的积累相关。当代诊断框架日益强调生物标志物证据，2024年阿尔茨海默病协会标准将淀粉样蛋白生物标志物视为确立AD生物学的核心。淀粉样蛋白正电子发射断层扫描（amyloid positron emission tomography，amyloid PET）能够无创可视化纤维状淀粉样蛋白沉积，支持生物学诊断、抗淀粉样蛋白治疗候选者筛选及临床试验入组，其中18F-florbetapir（AV45）与尸检神经炎性淀粉样斑块负荷具有良好对应关系。然而，amyloid PET的可及性远低于结构性磁共振成像（structural magnetic resonance imaging，MRI）：PET采集需要放射性示踪剂生产与配送、专门成像设施、培训人员及电离辐射暴露，限制了大规模分子影像筛查。结构性MRI虽广泛可及并提供神经退行性变信息，但无法直接测量淀粉样蛋白沉积。因此，从常规MRI中推断淀粉样蛋白相关信息的计算方法可能提供可扩展的预筛查或分诊手段，前提是预测的分子信息必须与采集的PET生物标志物保持明确区分。
现有研究在深度学习驱动的跨模态图像合成方面取得进展，包括利用生成对抗网络和潜在扩散模型从MRI生成PET图像，例如CoCoLIT框架实现了ControlNet条件化的三维MRI到amyloid-PET合成。然而，单次生成的合成体积无法传达其推断摄取模式的可靠性——合成PET可能在解剖学上看似合理，却包含局部示踪剂摄取不准确的区域，若将其等同于实测PET处理，合成误差可能向下游疾病分类传播。传统相似性度量如平均绝对误差（MAE）、峰值信噪比（PSNR）和结构相似性指数（SSIM）仅量化整体重建质量，无法在推理时提供受试者和体素特异性的可靠性信息。生成多个随机PET实现可估计预测变异性，从而在不确定区域的特征影响最终诊断决策前对其进行衰减。
在多模态AD模型中，已有研究结合MRI和PET通过多尺度卷积网络、图像融合、补丁级建模、放射组学、自注意力、交叉注意力、对比学习、域适应、联合合成与分类以及缺失模态知识转移等方法。这些研究支持结构与分子影像的互补性，但许多多模态方法假设推理时MRI和PET均可获得，而缺失模态方法常合成不可用模态后将其视为均匀可靠的输入，简单的特征拼接或概率平均也难以根据受试者特异性可靠性调整模态贡献。
为解决上述问题，研究人员开发了UNICAL框架，旨在通过不确定性门控的合成PET、自监督三维MRI编码器和工程化放射组学特征的融合，实现无需采集PET输入的AD谱系分类，并在独立外部数据集上评估其鲁棒性。
研究方法概述
研究人员采用了多种关键技术方法。首先，使用自监督三维CNN-Transformer编码器对MRI进行表征学习，采用掩码自编码器（masked autoencoder，MAE）策略在OASIS-3的1086次MRI扫描（553名参与者，与主分类队列无重叠）上进行预训练，生成512维MRI嵌入。其次，提取CoWS-Rad工程化MRI特征，结合轮廓波变换（contourlet transform）、平稳小波（stationary wavelet）和放射组学（radiomics）描述符，包括一阶统计量、熵、直方图描述符、多级小波响应、方向性/轮廓响应、灰度共生矩阵（GLCM）特征、梯度、拉普拉斯算子、左右不对称性和区域变异等，经ANOVA F检验选择前50个特征。第三，使用CoCoLIT框架（ControlNet条件化潜在图像翻译）从每例MRI生成K=4个随机合成的AV45样PET体积，其体素均值作为合成PET估计，体素方差作为不确定性图，经指数衰减门控（α=0.8）抑制低置信度区域后输入PET编码器。第四，构建概率锚定Transformer融合架构：三个模态分支（MRI嵌入、CoWS-Rad特征、不确定性门控PET表征）分别归一化投影至64维潜在空间，各分支产生独立logit和概率；通过18维PET/不确定性汇总向量经子网生成受试者级可靠性信号，指导自适应模态权重分配；训练时应用模态丢弃（MRI和CoWS-Rad丢弃率0.10，PET 0.05）；加权分支概率形成概率锚点，经logit转换后与一层Transformer（4头注意力，前馈维度128）输出的tanh有界残差校正（最大幅度0.50）相加，得到最终AD谱系概率。最终融合模型含79,938个可训练参数。研究使用OASIS-3的813次扫描（811名参与者，523次CN，290次AD谱系）进行开发，采用参与者分组五折分层交叉验证重复20个随机种子；独立外部验证使用ADNI3的261名参与者（87例AD，174例CN，按性别、扫描仪制造商精确匹配后按年龄最近邻匹配），所有模型参数、预处理和阈值均冻结，无任何ADNI特定训练或优化。
研究结果
队列特征与数据分离：OASIS-3主分类队列含813次MRI扫描（811名参与者），其中CN占64.3%，AD谱系占35.7%。ADNI3外部队列含261名参与者（87 AD，174 CN），两组平均年龄分别为74.44±8.20岁和74.46±8.00岁，女性均占40.2%，扫描仪制造商比例完全相同（Siemens 60.9%，GE 24.1%，Philips 14.9%）。
合成AV45 PET技术验证：在228对OASIS-3 MRI-AV45 PET配对检查中，合成PET的前景MAE为0.089±0.018，PSNR为29.3±2.1 dB，每例检查平均体素级皮尔逊相关系数为0.864±0.041，切片平均前景SSIM为0.841±0.035。定量分析显示合成与采集的皮质复合标准化摄取值比（SUVR）高度相关（皮尔逊r=0.954，斯皮尔曼ρ=0.943），平均绝对差异为0.071 SUVR，Bland-Altman分析显示平均偏倚为-0.027 SUVR，一致性界限为-0.196至0.141。使用预设皮质复合SUVR阈值（≥1.11），合成与采集PET的淀粉样蛋白阳性/阴性状态一致率为89.9%（Cohen's κ=0.799），相对于采集PET状态的灵敏度为0.858，特异度为0.944。随机合成不确定性与合成-采集PET强度误差呈中度关联（斯皮尔曼ρ=0.608），最低不确定性四分位数的平均MAE约为0.074，最高四分位数约为0.106。
OASIS-3主分类性能：完整UNICAL在20个随机种子上的平均留出折叠AUROC为0.868（种子标准差0.009），平衡准确率0.814，AUPRC 0.842，灵敏度0.810，特异度0.818，期望校准误差（ECE）0.061。合成PET是最强的单一表征（AUROC 0.791），概率平均和拼接MLP分别达到AUROC 0.826和0.807。
独立ADNI3外部验证：冻结框架在ADNI3上达到AUROC 0.836（95% bootstrap CI 0.791–0.876），AUPRC 0.802，平衡准确率0.783，灵敏度0.782，特异度0.784。AUROC相对OASIS-3下降0.032。校准指标变化更大：Brier分数从0.118升至0.139，ECE从0.061升至0.089，表明校准对域偏移比排序判别更敏感。各模态外部AUROC分别为MRI 0.718、CoWS-Rad 0.697、合成PET 0.762，降幅均在0.026–0.034范围内，提示通用域偏移而非合成PET表征选择性失效。
校准、消融证据与可解释性：配对参与者聚类bootstrap分析支持各组件贡献。移除不确定性门控使AUROC降低0.014（95% CI 0.008–0.020），统一模态权重降低0.021（0.014–0.028），移除模态丢弃降低0.025（0.017–0.033），移除残差校正降低0.030（0.022–0.038），替换为概率平均降低0.042（0.033–0.051），所有置信区间均排除零。K样本敏感性分析显示K=2时AUROC为0.856，K=4时为0.868，K=8时为0.871，K=16时为0.872，K≥4后改善极小。自适应模态权重分析显示合成PET在AD谱系会话中平均权重为0.439±0.078，高于CN会话的0.369±0.071，而MRI和CoWS-Rad权重在CN会话中更高，Mann-Whitney比较均p<0.001。
讨论与结论
UNICAL的核心发现是，在OASIS-3上开发的框架无需模型适配即可在独立ADNI3评估中保留实质性判别能力（AUROC 0.836），降幅仅0.032，表明存在有意义的跨数据集域偏移而非表征失败；同时校准对外部迁移更为敏感（ECE从0.061升至0.089）。不确定性门控的移除降低了AUROC并恶化校准，bootstrap区间排除零，且配对PET分析显示较大随机不确定性与较高合成-采集PET强度误差相关，支持其作为相对合成可靠性信号的作用，但不应解释为完全的概率校准或定量淀粉样蛋白负荷误差的已验证预测因子。K样本分析支持K=4作为当前实现的实用成本-性能折中方案。自适应模态权重在不同诊断组间存在差异，概率锚定设计通过保留模态特异性证据并将Transformer约束为仅学习有界残差校正来稳定融合。
研究结论：UNICAL结合了自监督三维MRI嵌入、CoWS-Rad工程化MRI描述符和不确定性门控合成AV45样PET，采用概率锚定Transformer融合。完整模型在OASIS-3开发中达到AUROC 0.868，在独立ADNI3评估中无需模型适配即保留AUROC 0.836（95% CI 0.791–0.876）。组件移除bootstrap分析、K样本敏感性和自适应模态权重分析进一步支持了融合策略的鲁棒性和可解释性。配对PET分析支持MRI衍生合成表征与采集AV45 PET的定量一致性，但未建立生物学等效性或临床互换性。合成PET应保持为补充性计算表征，而非替代采集分子影像。自然患病率人群的外部验证、Centiloid水平标准化及前瞻性临床效用评估仍是临床应用前的必要条件。
