基于多模态MRI与机器学习探索阿尔茨海默病早期诊断的神经影像学生物标志物

《Frontiers in Aging Neuroscience》:Early detection of Alzheimer’s disease via multimodal MRI and machine learning

【字体: 大 中 小 】 时间:2026年04月13日 来源:Frontiers in Aging Neuroscience 4.5

编辑推荐:

  本研究针对全球老龄化背景下阿尔茨海默病(AD)临床诊断的挑战,整合静息态功能磁共振成像(rs-fMRI)、结构磁共振成像(sMRI)和弥散张量成像(DTI)等多模态神经影像特征,并应用机器学习(ML)算法,旨在识别与早期AD相关的有效生物标志物。研究人员从ADNI数据库中选取了234名受试者,提取脑功能、结构及微观结构特征,并训练评估了包括支持向量机(SVM)、随机森林(RF)在内的九种ML模型,完成了AD-认知正常(CN)、轻度认知障碍(MCI)-CN以及AD-MCI三组二元分类任务。结果显示,SVM模型在AD-CN和MCI-CN分类中表现最佳,而RF在AD-MCI分类中表现最优。该研究证实,融合多模态神经影像与机器学习可提升AD及MCI的诊断准确性,识别潜在的神经影像学生物标志物,为早期临床干预提供客观依据。

  
随着全球人口老龄化的加剧,阿尔茨海默病(Alzheimer’s disease, AD)作为一种以进行性认知功能衰退和行为障碍为特征的中枢神经系统退行性疾病,已成为全球第五大死因,在中国更是带来了沉重的公共卫生负担。这种疾病通常从早期的记忆障碍开始,逐步发展为失语、失认、视空间功能障碍等,最终使患者完全丧失生活自理能力。尽管研究不断深入,AD的发病机制仍未完全阐明,目前也缺乏治愈性疗法。因此,在疾病早期,特别是在轻度认知障碍(mild cognitive impairment, MCI)阶段进行准确识别,对于实现及时干预、延缓病程至关重要,这也是当前临床面临的核心挑战之一。
传统的结构磁共振成像(structural MRI, sMRI)虽能检测大脑的宏观结构改变,但这些变化有时并不能紧密反映AD背后的病理进程。相比之下,能够评估大脑内在活动和功能网络组织的静息态功能磁共振成像(resting-state functional MRI, rs-fMRI),以及对白质微观结构完整性敏感的弥散张量成像(diffusion tensor imaging, DTI),被认为对早期功能异常具有更高的敏感性。近年来,机器学习(machine learning, ML)方法在分析高维神经影像数据、识别肉眼难以察觉的病理模式方面展现出巨大潜力。将多种MRI模态与ML技术相结合,有望更全面地刻画AD相关的大脑改变,从而提升诊断的准确性。
为了探索多模态MRI特征是否能够支持在单时间点上区分认知正常、MCI和AD群体,一项研究于《Frontiers in Aging Neuroscience》发表。该研究为一项回顾性横断面分析,旨在表征与组间差异相关的多模态MRI特征,并评估其在基于机器学习的疾病阶段分类中的价值。
研究人员开展此项研究,主要应用了以下几项关键技术方法:研究数据来源于阿尔茨海默病神经影像学计划(Alzheimer’s Disease Neuroimaging Initiative, ADNI)数据库,最终纳入了234名具备完整sMRI、rs-fMRI和DTI数据的受试者,包括37名AD患者、101名MCI个体和96名认知正常对照。在数据处理方面,rs-fMRI数据使用DPARSF进行预处理,并计算低频振幅(amplitude of low-frequency fluctuations, ALFF)、分数ALFF(fractional ALFF, fALFF)和局部一致性(regional homogeneity, ReHo)等指标;sMRI数据采用SPM12和CAT12工具箱进行基于体素的形态测量学(voxel-based morphometry, VBM)分析,提取全脑灰质体积以及海马、杏仁核子区体积;DTI数据则通过MRtrix3和FSL进行预处理,拟合得到分数各向异性(fractional anisotropy, FA)、平均扩散率(mean diffusivity, MD)等指标,并计算了DTI-沿血管周围空间分析(DTI-ALPS)指数。为减少多中心扫描仪的影响,对所有影像特征进行了ComBat harmonization(谐波化)处理。在机器学习建模环节,研究针对AD-CN、MCI-CN、AD-MCI三组二元分类任务,在训练集上使用LASSO回归进行特征选择,并评估了支持向量机(SVM)、随机森林(RF)、逻辑回归(LR)等九种分类器的性能,最终在独立测试集上以接收者操作特征曲线下面积(area under the receiver operating characteristic curve, AUC)等指标评估模型表现,并利用SHAP(Shapley Additive Explanations)分析增强模型可解释性。
研究结果
人口统计学和临床特征
三组受试者在年龄、教育年限、婚姻状况和糖尿病患病率上存在显著差异。AD组年龄更大、教育水平更低、代谢风险更高。所有认知和功能评估量表(如CDR-SB、MMSE、ADAS-Cog、RAVLT)的得分均显示从CN到MCI再到AD呈明显下降趋势。
功能影像
ALFF在组间存在显著差异,主要位于右侧中央后回、右侧内侧眶额皮质等脑区。与CN相比,AD患者在右侧中央后回、左侧颞下回、左侧额中回等多个脑区的ALFF和ReHo降低。与MCI相比,AD患者在与感觉运动、视觉处理相关脑区(如双侧中央后回、右侧楔叶)的活动进一步降低。MCI相较于CN,已在中央后回、颞下回、小脑Crus I等区域出现早期的ALFF下降。ReHo的组间差异更为广泛,涉及默认网络和突显网络相关脑区,并且在MCI阶段已可检测到早期下降。
结构影像
灰质及海马/杏仁核子区体积在组间存在显著差异。AD患者相较于CN和MCI,在右侧海马、双侧丘脑、右侧颞中回等区域表现出广泛的萎缩。MCI相较于CN,已在左侧海马旁回、右侧丘脑等区域出现早期体积减少。杏仁核子区呈现从CN到MCI再到AD的逐步萎缩,其中右侧基底核、副基底核和皮质核变化显著。海马子区也显示出类似模式,AD患者萎缩广泛,而MCI的变化主要局限于右侧下托体。
弥散成像
左侧及全脑DTI-ALPS指数在组间存在差异,AD患者的指数低于CN和MCI,而CN与MCI之间无差异。海马子区的部分径向扩散率(radial diffusivity, RD)和MD指标在MCI和AD阶段升高,提示早期微观结构损伤。
相关性分析
Spearman相关分析揭示了影像特征与认知评分之间的模态特异性关联。额顶叶区域(如额中回、角回)的活动与MMSE、ADAS-Cog评分相关;颞叶区域与神经精神量表(NPI)和功能评估问卷(FAQ)评分相关;边缘系统/联合区域(如海马旁回、岛叶)则与RAVLT记忆评分相关。
机器学习
多模态机器学习框架实现了稳健的分类性能。对于AD-CN分类,SVM和朴素贝叶斯(Naive Bayes)模型的AUC最高,均为0.90左右,SVM的准确率为0.850。对于AD-MCI分类,RF模型的AUC最高,为0.809。对于MCI-CN分类,SVM和LR模型的AUC最高,约为0.839,SVM的准确率为0.767。SHAP可解释性分析识别了不同分类任务中的关键特征:AD-CN分类主要依赖于右侧角回的ReHo和左侧海马下托体的完整性;AD-MCI分类涉及小脑蚓部、海马CA3区和前扣带皮层;MCI-CN分类则与左侧缘上回、颞中回的活动以及海马裂的早期微观结构变化有关。
研究结论与讨论
该研究通过整合rs-fMRI、sMRI和DTI,揭示了AD谱系疾病中大脑功能、结构和微观结构的渐进性改变。功能分析表明,AD病理涉及大规模脑网络功能障碍,而不仅仅是局部区域损伤,小脑-皮质环路的异常在MCI阶段即已显现。结构分析证实了沿AD连续体的进行性脑萎缩,海马和杏仁核特定子区的萎缩具有早期预警潜力。弥散成像发现,海马子区的微观结构损伤可能先于宏观萎缩发生,DTI-ALPS指数的降低则反映了类淋巴清除功能的损害。这些发现为了解AD认知衰退的神经生物学基础提供了多维度见解。
机器学习分析表明,基于整合的多模态神经影像特征,可以在不同诊断组间实现中等至良好的区分。其中,SVM模型在区分AD与认知正常、MCI与认知正常时表现最佳。相关性及SHAP分析进一步将特定的影像改变(如额颞叶功能异常、海马旁回结构变化)与临床认知行为评分联系起来,识别出具有潜在临床应用价值的生物标志物。这提示,多模态成像与机器学习相结合,有助于捕捉AD谱系中的临床异质性,为辅助早期诊断提供了客观、定量的工具。
然而,该研究作为一项回顾性横断面分析,所观察到的关联不能直接推论为因果或时序进展关系。此外,样本量相对有限,特别是AD组病例数较少,尽管研究采用了独立的测试集,其结果仍需在更大样本和外部独立数据集中进行验证。未来研究可扩大样本量,并纳入正电子发射断层扫描(PET)、脑脊液等其他生物标志物模态,以构建更全面、稳健的早期AD诊断与预测模型。
综上所述,这项研究系统地评估了多模态神经影像特征在阿尔茨海默病早期识别中的价值。其意义在于,不仅从多角度深化了对AD神经病理机制的理解,更重要的是通过机器学习框架整合多种信息,展示了提升早期诊断准确性的可行路径,为开发临床辅助工具、推动早期干预策略的实施提供了重要的实证依据。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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