基于可解释性深度多模态融合模型的胼胝体发育不全早期诊断与神经发育结局预测

《Frontiers in Neuroscience》:Early diagnosis and developmental outcome prediction of agenesis of the corpus callosum via an interpretable deep multimodal fusion model

【字体: 大 中 小 】 时间:2026年04月15日 来源:Frontiers in Neuroscience 3.2

编辑推荐:

  为解决胼胝体发育不全(ACC)临床特征高度异质、传统方法难以实现早期准确诊断与预后评估的难题,研究人员开发并验证了一个可解释的深度神经网络(DNN),该模型融合神经影像、围产期风险因素和早期发育评估等多模态临床数据。该模型在12种神经发育障碍的诊断中平均曲线下面积(AUC)达0.97,在发育商数(DQ)和大运动功能(GMFM)评分预测上也表现出色。该研究为ACC的早期临床决策支持提供了潜在的有效工具。

  
人类大脑的左右半球并非孤立运作,它们通过一个至关重要的“信息高速公路”——胼胝体相连。这条由数亿神经纤维组成的结构,负责协调大脑两侧的信息交流,对我们的高级认知功能、感觉运动整合至关重要。然而,当这条“高速公路”在胎儿期因各种原因未能正常建成——即发生胼胝体发育不全(Agenesis of the Corpus Callosum, ACC)时,其后果却难以预料。ACC是常见的先天性大脑畸形之一,其临床结局呈现出令人困惑的高度异质性:从几乎无症状到严重的智力障碍、孤独症谱系障碍、脑瘫、癫痫等多种神经发育障碍。这种巨大的预后差异,使得医生和家庭在早期阶段难以给出清晰的预判,从而错失了早期干预的最佳时机。传统上,临床医生主要依赖单一的磁共振成像(MRI)发现或有限的临床指标来评估ACC儿童的预后,但这些方法往往难以捕捉到疾病背后复杂的相互作用。近年来,人工智能特别是深度学习的崛起,为从高维度、多来源的临床数据中挖掘隐藏模式、进行精准预测带来了希望。然而,针对ACC儿童群体的深度学习应用仍很有限,且鲜有研究整合多种类型的数据来预测其长期功能结局。为此,来自武汉儿童医院的研究团队进行了一项开创性的研究,旨在开发一个能够融合多模态临床数据、准确预测ACC儿童神经发育结局的可解释深度学习框架。他们的研究成果已发表在专业期刊《Frontiers in Neuroscience》上。
为了构建和验证这个预测模型,研究人员主要运用了以下几项关键技术方法。首先,他们系统地收集了武汉儿童医院在2016年至2024年间收治的205名ACC患儿的回顾性多模态临床数据,涵盖了神经影像学发现、围产期风险因素(如出生体重、胎龄)以及通过Gesell发育量表和大运动功能测量(GMFM)评估的随访发育商数等27个临床特征。在数据准备阶段,他们实施了针对混合类型变量的定制化数据填补策略、独热编码、归一化/标准化处理,并基于与Gesell评分的相关性进行了特征选择。其次,在预测建模阶段,研究人员设计并优化了一个八层全连接的深度神经网络,其隐藏层使用线性整流函数(ReLU)激活,针对分类和连续型结局分别采用带有二元交叉熵损失函数的Sigmoid输出层和带有均方误差损失函数的线性输出层。模型通过五折交叉验证进行训练和评估,并采用沙普利加性解释(SHAP)值来量化个体特征对模型预测的贡献,从而增强模型的可解释性。性能评估采用了受试者工作特征曲线下面积(AUC)、F1分数、精确率、召回率、平均绝对误差(MAE)、均方误差(MSE)和决定系数(R2)等多种指标,并与支持向量机(SVM)基线模型进行了比较。
研究结果
模型展现卓越的预测性能
经过训练和验证,所构建的深度神经网络模型在预测ACC相关的12种神经发育障碍方面表现出色,平均AUC达到0.97。模型对智力障碍、孤独症谱系障碍、注意力缺陷多动障碍、特定学习障碍和发育性协调障碍的诊断尤其精准,AUC范围在0.98到1.00之间。对于脑瘫和癫痫的预测能力为中等水平,AUC分别为0.74和0.67。在连续结局预测方面,模型对Gesell发育商数(DQ)和GMFM评分的预测MAE均为0.10,对应的R2值分别为0.62和0.63,表明模型能够较好地解释发育结局的变异。
模型显著优于传统方法
通过与支持向量机基线模型的对比,深度神经网络模型展现出明显优势。例如,在沟通障碍的诊断上,DNN模型的AUC比SVM模型提高了0.16;在Gesell DQ评分预测上,R2值提高了0.19,且差异具有统计学显著性(p<0.001)。
最优模型架构与关键预测因子
通过消融实验,研究人员确定了包含八个隐藏层、每层16个神经元、学习率为0.01、训练10个周期的模型配置为最优架构,增加更多层或使用更高的学习率会导致过拟合。SHAP分析揭示了影响发育结局的最关键临床特征。其中,颅外畸形(临床分型III型)、面部畸形和出生体重被确定为对发育结局最具影响力的预测因子,这为临床医生进行风险分层和干预重点提供了可操作的见解。
研究结论与讨论
本研究成功开发并验证了一个用于ACC儿童早期诊断和神经发育结局预测的可解释深度神经网络框架。该模型通过整合神经影像、围产期数据和早期发育评估等多模态信息,能够高精度地预测多种神经发育障碍的发生风险以及具体的发育功能评分,其性能显著超越了传统的SVM分类器。更重要的是,通过SHAP解释技术,模型不仅提供了“黑箱”预测,还识别出了如颅外畸形等关键风险标志物,从而将人工智能的预测能力与临床可解释性相结合,为个体化预后评估和早期针对性干预决策提供了有力支持。
该研究的核心意义在于,它为解决ACC临床预后高度异质性这一长期难题提供了一个具有转化潜力的AI工具。它首次系统地将多模态临床数据融合应用于ACC的预后建模,并证明了深度学习在此领域的优越性。然而,研究也指出了当前模型的局限性,例如对脑瘫和癫痫等复杂表型的预测能力仍有待提升,这可能与样本量相对较小以及尚未整合原始影像数据有关。未来,扩大样本规模、纳入更精细的影像组学特征乃至基因组学数据,有望进一步提升模型对复杂表型的预测能力,并推动其走向临床应用,最终改善ACC儿童的生活质量。
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