基于Vision Transformer与粗粒度网格框架的个体空间T1图像ADHD预测研究

《Neuroscience Research》:ADHD prediction from individual-space T1 images using a Vision Transformer with a gross-region grid framework

【字体: 大 中 小 】 时间:2026年04月24日 来源:Neuroscience Research 2.3

编辑推荐:

  本研究针对ADHD(注意缺陷多动障碍)脑结构异质性导致的诊断挑战,开发了一种基于Vision Transformer(ViT)的端到端深度学习框架。该研究直接从个体空间T1加权MRI中学习判别特征,通过引入11层代表性切片(R11)及3×3网格划分策略,在显著减少数据量的同时保持了高诊断性能(AUC=0.75),并利用SHAP可解释性分析识别出中央前回与枕叶等关键脑区,为ADHD提供了高效的影像学生物标志物。

  

研究背景:当AI“医生”学会看脑图

注意缺陷多动障碍(ADHD)是儿童期最常见的神经发育障碍之一,全球约7.6%的学龄儿童受其困扰。目前的诊断严重依赖临床访谈和行为量表,缺乏客观的生物学指标,导致诊断一致性低且易受主观因素影响。虽然结构磁共振成像(sMRI)能捕捉到ADHD患者脑结构(如灰质体积减少、皮层变薄)的细微变化,但传统分析方法(如基于体素的形态测量学VBM)存在明显短板:它们通常将复杂的3D脑结构“压缩”成少数几个脑区的体积数据,不仅丢失了全脑分布的细微形态特征,也难以应对ADHD高度异质性的病理特点。
近年来,深度学习模型(如CNN、ResNet)开始被用于ADHD分类,但它们大多依赖预定义的“感兴趣区”(ROI)提取特征,本质上仍是“半自动”分析。能否让AI像医生看CT片一样,直接“端到端”地从原始T1图像中学习诊断ADHD,并告诉我们它到底“看”到了什么?这正是本研究要解决的核心问题。

技术路线概要

本研究基于ADHD-200竞赛的公开数据集(含285名ADHD儿童与491名典型发育儿童),构建了一套完整的ViT(Vision Transformer)诊断流水线。关键技术包括:1) 多粒度图像输入策略:对比了全脑100层轴向切片(WB)、11层代表性切片(R11)及R11进一步划分的3×3网格(R11x9)三种模式;2) 端到端训练与阈值优化:采用10折交叉验证,利用Youden’s J统计量确定最优分类阈值;3) 模型可解释性:应用SHAP(SHapley Additive exPlanations)归因分析定位关键脑区。

研究结果

1. ViT模型表现优异,数据“瘦身”不减效

在ADHD vs. TD(典型发育)的二分类任务中,ViT模型的综合表现最佳,显著优于传统CNN基线及ROI-based方法,与ResNet性能相当。最令人惊喜的发现是数据效率:当输入从全脑(WB)缩减至仅11层代表性切片(R11)时,模型AUC仅从0.75微降至0.75(p=0.19),无统计学显著下降。这意味着仅凭不到原数据量1/10的“精简版”脑图,AI就能做出几乎同等准确的诊断,极大降低了临床部署的计算成本。

2. SHAP揭秘:AI关注运动与视觉脑区

通过SHAP可解释性分析,研究人员“透视”了ViT模型的决策依据。结果显示,中央前回(Precentral Gyrus) 和 枕叶(Occipital Regions) 是贡献度最高的脑区。这与ADHD的病理生理学高度吻合:中央前回涉及运动计划与抑制控制,枕叶负责视觉信息处理。这表明ViT并非“黑箱”乱猜,而是真正捕捉到了ADHD在感觉运动与视觉处理网络中的分布式形态学变异。

3. 网格细化提升局部洞察力

在R11切片基础上进一步划分为3×3网格(R11x9)后,虽然整体分类性能未显著提升,但SHAP分析的分辨率得到了增强。模型能更精细地定位到脑回层面的异常区域,证明了该框架在高分辨率生物标志物发现方面的潜力。

结论与意义

本研究成功证明,基于Vision Transformer的端到端框架能够直接从T1结构像中学习ADHD的分布式形态学特征,且对数据量具有极高的“容忍度”。“少即是多”(Less is More) 是本研究的核心哲学——通过智能切片选择(R11),在保持诊断性能的同时,实现了计算效率的极大优化。这不仅为ADHD提供了一种可解释、高效率的影像学生物标志物挖掘工具,也为其他精神障碍的神经影像分析提供了“轻量化”AI诊断的新范式。
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