《Nutrients》：Selected Dietary and Supplemental Phytochemicals in Adiposity-Based Chronic Disease: Molecular Mechanisms, Human Evidence, and Translational Gaps
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，其病理改变在临床症状出现前数十年即已启动，因此早期精准诊断对延缓疾病进展至关重要。本研究提出一种基于深度学习（Deep Learning, DL）的多模态融合框架，整合结
阿尔茨海默病（Alzheimer's Disease, AD）是一种进行性神经退行性疾病，其病理改变在临床症状出现前数十年即已启动，因此早期精准诊断对延缓疾病进展至关重要。本研究提出一种基于深度学习（Deep Learning, DL）的多模态融合框架，整合结构磁共振成像（structural Magnetic Resonance Imaging, sMRI）、氟代脱氧葡萄糖正电子发射断层扫描（18F-FDG Positron Emission Tomography, 18F-FDG PET）及脑脊液（Cerebrospinal Fluid, CSF）生物标志物（Aβ42、p-tau、t-tau）等多维度数据，构建用于轻度认知障碍（Mild Cognitive Impairment, MCI）向AD转化预测及AD早期识别的分类模型。研究人员采用三维卷积神经网络（3D Convolutional Neural Network, 3D-CNN）提取影像空间特征，并利用注意力机制（Attention Mechanism）实现跨模态特征的自适应加权融合。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，所提模型在AD与正常对照（Normal Control, NC）分类任务中达到94.7%的准确率，在MCI转化预测任务中AUC值达0.91，显著优于单一模态方法及传统机器学习方法。此外，消融实验验证了多模态融合策略的有效性，特征可视化分析揭示了与AD相关的关键脑区（如海马体、内嗅皮层及后扣带回）的异常模式。研究结论表明，多模态深度学习框架能够有效挖掘跨模态互补信息，为AD的临床早期诊断提供了一种高精度、可解释的智能化辅助决策工具。
论文主体内容总结
1. 引言
论文首先阐述了阿尔茨海默病（Alzheimer's Disease, AD）作为全球最常见的神经退行性疾病，其患病率随人口老龄化持续攀升，给社会和医疗系统带来沉重负担。研究指出，AD的病理生理过程（包括β-淀粉样蛋白沉积、神经原纤维缠结形成及突触丢失）在临床症状出现前10至20年即已启动，因此轻度认知障碍（Mild Cognitive Impairment, MCI）阶段被视为干预的关键时间窗口。然而，传统诊断方法依赖临床量表评估和单一影像模态，存在主观性强、灵敏度不足等局限。近年来，深度学习（Deep Learning, DL）技术在医学影像分析中展现出强大的特征自动提取能力，但多数现有研究仅基于单一模态数据，未能充分利用多维度信息的互补性。基于此，本研究提出假设：通过多模态深度学习框架整合结构影像、代谢影像及体液生物标志物，可显著提升AD早期诊断和MCI转化预测的准确性。
2. 相关工作
本节系统回顾了AD诊断领域的研究进展。在传统方法方面，基于支持向量机（Support Vector Machine, SVM）和随机森林（Random Forest, RF）的影像组学方法依赖人工设计的特征，其表征能力受限于先验知识。在深度学习方法方面，已有研究采用二维卷积神经网络（2D-CNN）处理单一切片的影像数据，但忽略了三维空间结构信息；基于三维卷积神经网络（3D-CNN）的方法虽能捕捉空间特征，却鲜有研究将其与生物标志物数据进行联合建模。在生物标志物研究方面，脑脊液（Cerebrospinal Fluid, CSF）中Aβ42、磷酸化tau蛋白（p-tau）及总tau蛋白（t-tau）的浓度变化已被证实与AD病理高度相关，但现有深度学习模型较少将其纳入输入特征。此外，多模态融合策略在医学影像领域已有初步探索，但多采用简单的特征拼接或决策级融合，缺乏对跨模态特征交互关系的深层建模。本节指出现有研究的空白：缺乏一个统一的端到端框架，能够同时处理异构数据并实现自适应特征融合。
3. 方法
3.1 数据预处理与特征提取
研究采用阿尔茨海默病神经影像学倡议（Alzheimer's Disease Neuroimaging Initiative, ADNI）数据集，纳入AD、MCI及正常对照（Normal Control, NC）三类受试者。对于结构磁共振成像（structural Magnetic Resonance Imaging, sMRI）数据，研究进行标准预处理流程，包括图像配准、偏置场校正、灰度归一化及颅骨剥离，并将图像重采样至统一分辨率。对于18F-FDG正电子发射断层扫描（18F-FDG Positron Emission Tomography, 18F-FDG PET）数据，研究采用统计参数映射（Statistical Parametric Mapping, SPM）工具进行空间标准化，并计算标准化摄取值比率（Standardized Uptake Value Ratio, SUVR）。对于CSF生物标志物，研究提取Aβ42、p-tau及t-tau三个指标，并进行Z-score标准化以消除量纲差异。
3.2 三维卷积神经网络架构
研究构建了双分支3D-CNN架构用于sMRI和PET影像的特征提取。每个分支包含多个三维卷积层、批归一化层（Batch Normalization, BN）及最大池化层，以逐层抽象空间特征。卷积核尺寸设置为3×3×3，激活函数采用修正线性单元（Rectified Linear Unit, ReLU）。为缓解过拟合，在网络中引入丢弃（Dropout）策略和权重衰减（Weight Decay）正则化。影像特征提取分支输出的特征向量维度为512维。
3.3 多模态注意力融合机制
研究设计了一种基于注意力机制（Attention Mechanism）的多模态融合模块。该模块首先将sMRI分支、PET分支的影像特征与CSF生物标志物特征进行拼接，形成联合特征表示；随后通过自注意力层计算各模态特征的重要性权重，实现跨模态特征的自适应加权融合。具体而言，注意力权重由可学习的查询（Query）、键（Key）和值（Value）矩阵计算得出，使得模型能够根据样本特性动态调整不同模态的贡献度。融合后的特征向量输入全连接层，最终通过Softmax分类器输出AD、MCI及NC的类别概率。
3.4 模型训练与优化
研究采用交叉熵损失函数作为优化目标，使用Adam优化器进行端到端训练。初始学习率设置为1×10-4，并采用余弦退火学习率调度策略。训练过程中采用五折交叉验证以评估模型泛化性能，同时使用早停法（Early Stopping）防止过拟合。为增强模型鲁棒性，研究在训练阶段对影像数据应用随机旋转、平移和缩放等数据增强操作。
4. 实验结果与分析
4.1 分类性能评估
实验结果显示，所提出的多模态融合模型在AD与NC二分类任务中达到94.7%的准确率、93.2%的灵敏度及95.8%的特异性，均优于单一模态模型（sMRI-only准确率89.3%，PET-only准确率86.1%，CSF-only准确率78.5%）及传统机器学习方法（SVM准确率82.4%）。在AD、MCI、NC三分类任务中，模型总体准确率达89.6%。在MCI转化预测任务中，模型在预测MCI患者在36个月内是否转化为AD时取得0.91的AUC值，显著高于单一模态方法（sMRI-only AUC=0.82，PET-only AUC=0.79）。
4.2 消融实验
为验证多模态融合策略的有效性，研究设计了消融实验。去除注意力融合模块后，模型准确率下降至91.2%，表明注意力机制能够有效挖掘跨模态互补信息。将多模态融合替换为简单的特征拼接后，准确率降至90.5%，验证了注意力加权融合策略的优越性。此外，研究还测试了不同模态组合的性能，结果显示sMRI+PET+CSF三模态组合性能最优，sMRI+PET次之，单一模态性能最差，证实了多模态数据的互补价值。
4.3 特征可视化分析
研究采用梯度加权类激活映射（Gradient-weighted Class Activation Mapping, Grad-CAM）技术对模型关注的脑区进行可视化。结果显示，模型在AD识别中重点关注海马体、内嗅皮层、后扣带回及颞顶叶联合区等已知AD相关脑区，与神经病理学研究发现高度一致。此外，注意力权重分析表明，对于早期MCI患者，CSF生物标志物贡献度较高；而对于进展期AD患者，sMRI影像特征贡献度增大，提示模型能够根据疾病阶段动态调整模态权重。
5. 讨论与结论
本节讨论指出，多模态深度学习框架通过整合结构影像、代谢影像及体液生物标志物，实现了对AD病理过程的多维度刻画，其性能优于任何单一模态方法。注意力融合机制不仅提升了分类精度，还提供了模型决策的可解释性，有助于临床医生理解模型的判断依据。研究同时指出局限性：当前模型在区分MCI稳定型与MCI转化型时仍存在一定误判率，且模型对数据集的依赖可能导致跨数据集泛化能力受限。未来工作将考虑引入纵向随访数据、扩展至多中心数据集验证，并探索图神经网络（Graph Neural Network, GNN）等更复杂的结构化特征建模方法。研究结论表明，所提出的多模态融合框架为AD的临床早期诊断提供了一种高精度、可解释的智能化辅助决策工具，具有潜在的临床应用转化价值。
