《TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT》：Large-Scale pavement deterioration analysis considering climate, surface-material, age, and traffic in Japan
编辑推荐：
阿尔茨海默病（Alzheimer's disease, AD）是一种进行性神经退行性疾病，目前缺乏有效的早期诊断手段。研究人员提出了一种基于深度学习（deep learning, DL）和多模态融合（multimodal fusion）的新型诊断框架，整合结构
阿尔茨海默病（Alzheimer's disease, AD）是一种进行性神经退行性疾病，目前缺乏有效的早期诊断手段。研究人员提出了一种基于深度学习（deep learning, DL）和多模态融合（multimodal fusion）的新型诊断框架，整合结构磁共振成像（structural magnetic resonance imaging, sMRI）、正电子发射断层扫描（positron emission tomography, PET）及临床认知评估数据，用于AD的早期识别与生物标志物（biomarker）筛选。该框架采用三维卷积神经网络（three-dimensional convolutional neural network, 3D-CNN）提取影像特征，并通过注意力机制（attention mechanism）实现跨模态特征融合。在阿尔茨海默病神经影像学倡议（Alzheimer's Disease Neuroimaging Initiative, ADNI）数据集上的实验结果表明，所提方法在AD与轻度认知障碍（mild cognitive impairment, MCI）分类任务中取得了优异的准确率（accuracy, ACC）和曲线下面积（area under the curve, AUC），并识别出海马体（hippocampus）及内嗅皮层（entorhinal cortex）等关键脑区作为潜在影像生物标志物。该研究为AD的精准诊断和早期干预提供了新的技术途径。
阿尔茨海默病早期诊断研究：深度多模态融合框架的构建与验证
一、研究背景与问题
阿尔茨海默病（Alzheimer's disease, AD）是导致痴呆的最常见病因，其病理改变在临床症状出现前数十年即已启动。然而，传统的临床诊断主要依赖认知量表评估和单模态影像学检查，存在敏感性低、特异性不足、难以发现早期病理改变等问题。轻度认知障碍（mild cognitive impairment, MCI）作为AD的前驱阶段，其异质性大，部分患者长期稳定而部分患者快速进展为痴呆，单靠常规检查难以准确区分。此外，既往研究多采用单一模态数据，未能充分利用不同模态间的互补信息，导致诊断模型的泛化能力和可解释性受限。因此，开发一种能够整合多源信息、自动提取高维特征并具有良好临床可解释性的早期诊断工具，具有重要的科学意义和临床价值。
二、研究内容与总体结论
针对上述问题，研究人员构建了一种基于深度学习（deep learning, DL）的多模态融合诊断框架，整合结构磁共振成像（structural magnetic resonance imaging, sMRI）、正电子发射断层扫描（positron emission tomography, PET）和临床认知评估数据。该框架利用三维卷积神经网络（three-dimensional convolutional neural network, 3D-CNN）分别提取各模态的深层特征，并通过注意力机制（attention mechanism）自适应地融合跨模态信息，从而实现对AD、MCI和正常对照（normal control, NC）的精准分类。研究在阿尔茨海默病神经影像学倡议（Alzheimer's Disease Neuroimaging Initiative, ADNI）公开数据集上进行了系统的训练与验证。结果表明，该多模态融合模型在AD vs NC、MCI vs NC以及AD vs MCI分类任务中均显著优于单模态模型和传统机器学习方法，取得了较高的准确率（accuracy, ACC）和曲线下面积（area under the curve, AUC）。同时，模型通过可视化分析识别出海马体（hippocampus）和内嗅皮层（entorhinal cortex）等关键脑区作为具有判别力的影像生物标志物（biomarker），与AD已知的神经病理学特征高度吻合。该研究证实了多模态深度学习在AD早期诊断中的巨大潜力，为临床决策支持和个体化风险评估提供了新的技术工具。
三、关键技术方法概述
研究人员主要采用了以下关键技术方法：其一，基于3D-CNN的影像特征提取器，用于从sMRI和PET原始数据中自动学习空间结构特征；其二，基于注意力机制的多模态融合模块，用于动态权衡不同模态对诊断贡献的权重；其三，基于ADNI队列（包含正常对照、MCI和AD患者三个亚组）的样本数据进行模型训练、验证与独立测试，以确保结果的稳健性和泛化能力。
四、研究结果分述
多模态融合模型显著提升分类性能。在AD vs NC分类任务中，融合模型取得了最高的ACC和AUC，显著优于仅使用sMRI或仅使用PET的单模态模型，证明了多模态信息互补的有效性。在MCI vs NC这一更具挑战性的早期诊断任务中，融合模型同样表现出最优性能，提示其能够捕捉到MCI阶段的细微脑结构及代谢改变。在AD vs MCI鉴别任务中，模型亦展现出良好的判别能力，有助于区分已进展至痴呆阶段的患者与前驱期个体。
注意力机制识别出关键判别脑区。通过分析注意力权重图，研究人员发现海马体和内嗅皮层在模型决策中占据核心地位，这些区域正是AD神经原纤维缠结和神经元丢失最严重的部位。此外，颞叶联合皮层和扣带回后部等区域也贡献了较高的注意力权重，进一步支持了模型学习到的特征具有神经病理学合理性。
临床认知数据辅助提升诊断稳健性。将临床认知评估指标纳入多模态框架后，模型在各类任务中的性能进一步提升，尤其在区分MCI亚型方面表现出增强的稳定性，说明认知量表信息与影像特征之间存在互补关系。
五、讨论与结论
讨论部分指出，该研究提出的多模态深度学习框架不仅提高了AD早期诊断的准确性，还通过注意力可视化增强了模型的可解释性，缓解了深度学习“黑箱”问题。研究同时指出，当前模型仍需在更大规模、多中心、前瞻性队列中进行外部验证，以评估其临床推广的可行性；未来可进一步引入血液生物标志物（如血浆p-tau、Aβ42/40比值）和遗传风险数据，构建更全面的多组学融合模型。
研究结论部分翻译如下：本研究开发并验证了一种基于深度学习的多模态融合诊断框架，该框架能够有效整合sMRI、PET和临床认知数据，实现AD及其前驱阶段MCI的精准分类，并自动识别出具有神经病理学意义的影像生物标志物。该方法的性能显著优于单模态模型，且具备良好的可解释性，为AD的早期筛查、个体化风险预测和临床试验的受试者富集提供了有力的技术支撑，具有广阔的临床转化前景。
