《Diagnostics》：DenseGated-MSNet: A Multi-Sequence Gated Fusion Network for Multiple Sclerosis Classification from Brain MRI
编辑推荐：
背景/目标： 多发性硬化症（multiple sclerosis, MS）是一种中枢神经系统的慢性脱髓鞘疾病，磁共振成像（magnetic resonance imaging, MRI）在其诊断和监测中发挥核心作用。由于不同的MRI序列提供关于MS相关病理的互
背景/目标： 多发性硬化症（multiple sclerosis, MS）是一种中枢神经系统的慢性脱髓鞘疾病，磁共振成像（magnetic resonance imaging, MRI）在其诊断和监测中发挥核心作用。由于不同的MRI序列提供关于MS相关病理的互补信息，联合利用多个序列可能改善自动化分类。然而，许多现有的自动化MS分类研究依赖有限的序列信息，未能在受试者独立（subject-independent）方案下进行一致性评估，并且受限于公开可用的、按受试者层面组织的多序列数据集的稀缺性。方法： 为弥补上述不足，研究人员收集并公开发布了一个新的多序列脑部MRI数据集，并提出了DenseGated-MSNet——一种新颖的端到端多输入深度学习模型，用于MS与非MS分类。DenseGated-MSNet通过独立的序列特异性DenseNet-121分支并行处理每个共同采集的MRI序列，并通过所提出的输入依赖门控特征级融合机制整合所得表示。在严格的受试者独立评估方案下，模型配置在受试者独立的开发集上确定，最终模型的性能通过同一队列上的五折受试者独立交叉验证在图像层面和受试者层面进行内部评估。结果： 在内部五折受试者独立交叉验证中，DenseGated-MSNet实现了90.57%（95%置信区间：86.44–93.53%）的合并受试者层面准确率和0.947（95%置信区间：0.918–0.976）的AUC。学习到的门控值还提供了序列层面的调制信息，指示了在多序列整合过程中每个MRI序列被加权的强度。结论： 总体而言，这些发现表明DenseGated-MSNet能够有效整合来自多个MRI序列的互补信息，用于区分确诊的MS与选定的非MS对照，同时提供序列层面的调制信息。连同所发布的数据集，该框架为未来受试者独立的MS分类研究提供了可复现的基础。
论文解读文章
一、研究背景与问题
多发性硬化症（multiple sclerosis, MS）是一种慢性中枢神经系统脱髓鞘疾病，通过损伤神经纤维的保护层并干扰大脑与身体其他部分之间的通信，导致运动功能障碍、感觉缺陷、认知衰退、视觉障碍及进行性残疾等一系列神经功能损害，严重影响患者生活质量并造成沉重的社会经济负担。全球疾病负担研究估计，2020年全球约有189万MS患者，患病率为每10万人23.9例。由于疾病修饰治疗在早期启动时通常更为有效，及时准确地检测MS相关病理对于降低不可逆神经损伤风险、指导治疗选择和支撑临床决策至关重要。然而，MS的临床和影像学表现高度异质，常与其他神经系统和脱髓鞘疾病重叠，使得疾病评估和鉴别诊断高度依赖经验丰富的临床医生和放射科医生的专业判断。
磁共振成像（magnetic resonance imaging, MRI）是MS诊断和监测的基石影像学手段，已被纳入当前诊断标准和影像学指南。然而，MRI判读仍是一个依赖专家视觉评估的高要求过程，可能受到阅片者间和阅片者内变异的影响，影像学发现的误读也被认为是MS误诊的重要来源。另一个重要考量是，MS相关异常并非在所有MRI序列上同等可见——不同序列强调不同的组织对比度，提供关于病灶负荷、病灶分布、慢性组织损伤和炎症活动的互补信息。因此，依赖单一MRI序列可能仅提供潜在病理的部分表征，而整合多个序列可能为自动化MS分析提供更全面和临床有意义的依据。
尽管深度学习（deep learning, DL）方法在MS分类研究中取得了令人鼓舞的进展，但现有研究仍存在若干方法论空白：第一，许多研究依赖单一MRI序列，未充分利用跨序列分布的互补信息；第二，据研究人员所知，尚无专门针对受试者层面MS分类、为每名受试者提供多个共同采集MRI序列的公开基准数据集；第三，相当比例的研究采用图像层面数据划分，未严格分离训练集和测试集之间的患者，同一患者的切片可能同时出现在两个子集中，这会夸大性能估计并削弱泛化性声明。因此，开发能够更好利用互补序列信息并在严格受试者独立验证方案下评估的MRI-based MS分类框架具有重要研究意义。
二、研究内容与主要结论
为弥补上述空白，研究人员首先收集了一个用于MS分类的多序列脑部MRI数据集，并在此基础上提出了DenseGated-MSNet——一种端到端深度学习模型，旨在统一框架内利用多个MRI序列的互补信息。该模型通过并行、序列特异性分支处理每个MRI序列，独立提取判别性表示，然后通过门控融合机制自适应地加权每个序列对最终决策的贡献。主要贡献包括：发布新的公开多序列数据集；提出新颖的多序列DL模型；系统研究单个序列及其组合的判别贡献；跨代表性卷积和Transformer骨干架构进行全面实验分析；门控融合机制提供序列层面调制信息；所有实验采用受试者独立评估方案以避免数据泄漏。
三、关键技术方法
研究人员从土耳其Afyonkarahisar州立医院放射科回顾性收集了2020年1月至2024年3月期间接受脑部MRI检查的队列，最终筛选出265名受试者（123名MS患者和142名非MS对照），所有检查均在单台1.5-T MRI扫描仪（Siemens MAGNETOM Aera）上按照与欧洲共识建议一致的机构方案采集。研究人员对图像进行了序列协调化处理，将每名受试者的五个目标序列（FLAIR轴位、FLAIR矢状位、T2轴位、T2冠状位和T1轴位）协调至11至14个切片。提出的DenseGated-MSNet采用三个主要模块：序列特异性特征提取模块（sequence-specific feature extraction module, SS-FEM）使用无ImageNet预训练的DenseNet-121编码器并行处理各序列；门控特征级融合模块（gated feature-level fusion module, GF-FM）通过输入依赖的标量门控自适应调节每个序列的贡献；分类模块将融合表示转换为最终MS与非MS预测。所有模型从头训练，使用AdamW优化器，在受试者独立方案下进行评估。
四、研究结果
4.1 DenseGated-MSNet的整体性能。 在五折受试者独立交叉验证中，DenseGated-MSNet在图像层面达到88.93 ± 2.31%的准确率和87.84 ± 2.42%的F1分数；受试者层面聚合后性能提升，合并准确率为90.57%（95% CI: 86.44–93.53%），F1分数为89.80%，AUC为0.947（95% CI: 0.918–0.976）。敏感性（89.43%）和特异性（91.55%）相对均衡。排除包含重复切片样本的敏感性分析显示，预测结果基本不受影响。
4.2 骨干架构与序列性能分析。 研究人员独立训练了五种骨干架构（ResNet18、DenseNet-121、EfficientNet-B0、ConvNeXtV2-Femto和Swin-Tiny）在五个MRI序列上的单输入分类器。DenseNet-121在五个序列中的三个上取得最高准确率，平均准确率（89.77%）和F1分数（88.75%）均为最优。序列层面，FLAIR矢状位在所有骨干中平均性能最高（准确率87.44%），T2轴位最弱（平均准确率80.30%）。Swin-Tiny表现明显低于卷积骨干，表明该数据集规模不足以从头有效训练Transformer架构。
4.3 多序列整合效果。 以DenseNet-121为固定骨干，研究人员评估了三个最优序列（FLAIR矢状位、FLAIR轴位、T2冠状位）的所有两两组合及三序列配置。三序列配置达到最佳性能（96.01%准确率、95.58% F1分数），优于所有单序列和两两组合。值得注意的是，FLAIR轴位单独使用时是三个序列中最弱的，但与T2冠状位组合后产生显著性能提升，表明这两个序列捕获了与MS分类相关的互补信息。并非所有组合均同样有益，表明序列互补性是经验性的而非完全可由采集几何预测。
4.4 特征级融合策略比较。 研究人员比较了三种融合策略：通道拼接、可学习加权求和和提出的门控融合。门控融合达到最高平均性能（96.05 ± 0.95%准确率、95.65 ± 1.02% F1分数），通道拼接表现非常接近（95.89 ± 0.36%），可学习加权求和明显较低（93.67 ± 1.08%）。门控融合的优势在于其输入依赖的自适应调制能力，与MS相关异常跨MRI序列的异质性和受试者依赖性外观概念一致。
4.5 融合后注意力精炼效果。 研究人员评估了三种融合后注意力机制（挤压激励SE、空间注意力、卷积块注意力模块CBAM）。无注意力基线达到最高性能（96.05 ± 0.95%准确率），所有注意力变体均未改善性能。这表明门控融合已执行自适应调制，额外的注意力模块主要引入参数和优化复杂性而无相应判别信息增益。
五、讨论与结论
研究人员指出，DenseGated-MSNet的受试者层面性能超过图像层面性能，表明聚合图像级概率可减少个别模糊图像的影响。三序列配置的优越性凸显了利用互补MRI信息的重要性，所选组合涵盖两种对比度和三个采集平面，可能反映对比度和平面依赖的互补信息。门控融合的价值不在于其作为分类上更优的融合算子，而在于其作为自适应整合机制，性能至少与其他方案相当，同时显式建模每个序列的贡献。DenseNet-121在有限数据和从头训练设置中的优势表明密集连接卷积架构适合该场景，而Transformer架构可能需要更多数据。研究人员强调，该模型定位为辅助专家临床和放射学评估的研究和临床决策支持工具，而非自主诊断系统。由于单中心开发和缺乏外部验证，该模型尚不能视为已获验证可用于一般临床诊断；且研究聚焦于区分确诊MS与选定的无脱髓鞘病变的非MS对照，而非与NMOSD和MOGAD等模拟MS的疾病进行鉴别，因此研究结果不确立其在未选择临床人群中用于MS鉴别诊断的效用。
研究结论部分指出，DenseGated-MSNet能够有效整合来自多个MRI序列的互补信息，用于区分确诊的MS与选定的非MS对照，同时提供序列层面的调制信息。连同所发布的数据集，该框架为未来受试者独立的MS分类研究提供了可复现的基础。
