《NMR in Biomedicine》：Time Distributed Classification of Alzheimer's Disease on MRI Scans
编辑推荐：
阿尔茨海默病（Alzheimer's disease，AD）的诊断日益依赖先进的神经影像学方法与认知评估相结合。本研究结合体积特征分析与计算建模技术，聚焦空间与时间分析，利用磁共振成像（MRI）数据将个体分类为认知正常（cognitively normal，C
阿尔茨海默病（Alzheimer's disease，AD）的诊断日益依赖先进的神经影像学方法与认知评估相结合。本研究结合体积特征分析与计算建模技术，聚焦空间与时间分析，利用磁共振成像（MRI）数据将个体分类为认知正常（cognitively normal，CN）、轻度认知障碍（mild cognitive impairment，MCI）或AD。在第一阶段，研究人员利用统计参数映射（statistical parametric mapping，SPM）中的CAT12工具箱，从阿尔茨海默病神经影像学倡议（Alzheimer's Disease Neuroimaging Initiative，ADNI）数据集中提取体积变化特征，包括皮层厚度（cortical thickness，CT）、白质（white matter，WM）、灰质（grey matter，GM）、脑脊液（cerebrospinal fluid，CSF）和总颅内容积（total intracranial volume，TIV）。随后对这些变量进行随时间变化的线性回归，构建反映体积变化速率的斜率，并将其作为机器学习分类器的输入。CT斜率表现出最高分类准确率，在区分AD与CN个体时，随机森林（random forest，RF）模型的准确率达到82.5%。在第二阶段，研究人员采用一种深度学习方法，仅依赖MRI扫描本身，而不使用第一阶段的结果。预训练的3D ResNet-101卷积神经网络（convolutional neural network，CNN）模型从MRI体积中提取空间特征，而长短期记忆（long short-term memory，LSTM）网络记录连续年度扫描中的时间动态。该混合CNN–LSTM设计显著提升了分类性能，在AD对CN的区分中达到96.7%的准确率，并改善了MCI病例的判别。然而，MCI分类中的偏差主要归因于年度MRI数据获取受限，以及模型预训练主要基于CN与AD队列。上述结果表明，整合体积统计分析与深度学习具有实现AD自动分类的潜力。本研究通过同时利用MRI的空间与时间数据，提升了神经影像诊断方法，有助于疾病的早期诊断及病程进展评估。
该文发表于《NMR in Biomedicine》，围绕阿尔茨海默病（Alzheimer's disease，AD）MRI纵向分类展开，核心目标是利用时间维度上的脑结构变化提高AD、轻度认知障碍（mild cognitive impairment，MCI）与认知正常（cognitively normal，CN）人群的鉴别能力。研究背景在于，AD是最常见的痴呆类型，具有进行性神经退行性特征，而MCI处于正常衰老与痴呆之间，其临床转归具有明显异质性，部分病例进展为AD，部分则维持稳定，因此仅依赖单一时间点影像或传统认知评估，往往难以及时捕捉疾病早期演变。既往MRI研究已证实脑萎缩、灰白质改变及皮层形态异常与AD密切相关，但许多模型仍主要建立在横断面数据之上，未能充分纳入同一受试者随访过程中的时序信息，也缺乏同时兼顾可解释性与端到端建模能力的框架。基于此，研究人员提出两阶段分析策略：第一阶段从纵向MRI中提取可解释的体积学变化率特征，建立传统机器学习分类基线；第二阶段进一步利用3D深度网络与序列模型联合建模MRI的空间表征与年度随访中的时间演化，以增强临床相关二分类任务中的判别性能。研究结果显示，CT变化率是最具判别力的纵向指标，基于CT斜率的随机森林模型在AD与CN分类中达到82.5%准确率；进一步采用时间分布式3D ResNet-101与LSTM构成的纵向深度学习框架后，AD–CN、AD–MCI和CN–MCI三项二分类任务准确率分别提升至96.7%、87.5%和86.4%。研究表明，将纵向体积统计特征与深度时空建模相结合，能够更有效地反映神经退行性病程，对AD早期识别和病程评估具有重要意义。
研究人员使用的关键技术方法主要包括以下几类。首先，样本来自ADNI数据库，共纳入22名CN、18名AD和20名MCI受试者，累计351次MRI扫描，均为3T设备采集，具有4–6次、间隔1年的纵向随访。其次，基于SPM中的CAT12工具箱进行MRI分割与标准化，提取CT、GM、WM、CSF和TIV等指标，并对各受试者多时点数据进行线性回归，计算体积变化斜率。再次，采用重复测量方差分析（ANOVA）、Wilks' Lambda检验、Mauchly球形性检验、Levene方差齐性检验及Tukey's HSD事后比较评估各指标的组间和时序差异。最后，在建模层面分别使用RF和支持向量机（support vector machine，SVM）进行传统分类，并构建预训练3D ResNet-101与LSTM相结合的CNN–LSTM纵向深度学习框架，对受试者按个体进行时序保持和训练/验证划分。
在研究结果部分，论文首先通过总体统计描述展示了三组受试者在年龄及多项脑体积指标上的分布特征。AD组在CT、GM和WM等结构指标上整体表现出更明显的退行性变化，而CN组相对保留更多结构完整性，这为后续判别分析提供了基础。
在“3.1 Machine Learning-Based Classification”部分，研究人员首先比较了采用CT均值与CT斜率作为输入特征的传统机器学习分类效果。结果表明，若仅使用CT平均值，RF模型在AD–CN任务中的准确率为70%；而当进一步使用CT随时间变化的斜率作为输入后，RF在AD–CN任务中的准确率提高到82.5%，敏感度为86.4%，特异度为77.8%，说明纵向变化率优于静态均值，更能反映AD相关的脑结构退化。统计学分析进一步支持这一结论：CT在AD与CN之间表现出最显著的差异，而CSF和TIV未显示同等显著性，因此CT被确定为本研究最关键的纵向影像标志物。对于MCI相关分类任务，SVM表现相对更优，在MCI–AD和MCI–CN任务中准确率分别达到71.1%和69.1%。当尝试同时区分AD、MCI和CN三组时，RF模型准确率仅为55%，反映出三分类任务，尤其是MCI与其他组之间界限较为模糊，提示MCI内部异质性较强，是分类中最具挑战性的环节。
在“3.2 Deep Learning-Based Classification”部分，研究人员构建了纵向3D ResNet-101＋LSTM框架，并与仅用单一时间点MRI的3D CNN基线进行比较。该框架中，3D ResNet-101对每次MRI扫描执行共享权重的空间特征提取，经全局平均池化获得每次随访的紧凑表征；随后LSTM对4–6次年度扫描构成的个体序列进行时间整合，学习随病程推进的动态模式。结果显示，单时间点CNN在AD–CN、AD–MCI、CN–MCI任务中的平均准确率分别为90.4%、78.3%和76.5%；加入LSTM进行纵向建模后，准确率分别升至96.7%、87.5%和86.4%，标准差分别为2.98、3.78和3.36。除准确率外，AUC-ROC、PR-AUC、Precision、Recall和F1值在三项任务中均有提升，尤其AD–CN任务中LSTM–CNN模型的AUC-ROC和PR-AUC均达到0.99，说明时序信息为分类提供了重要补充。研究人员据此认为，MRI纵向序列中包含的病程演变信息并不能被单次扫描充分捕捉，而通过时间分布式3D特征提取与LSTM序列建模，可显著增强对疾病进展模式的识别能力。尽管如此，AD–MCI与CN–MCI的区分仍显著难于AD–CN，提示MCI在临床表型和影像结构上与两端群体均存在重叠。
在讨论部分，论文强调本研究对AD自动分类研究具有双重价值。其一，纵向MRI体积学分析表明，CT变化率是一个敏感的神经退行性指标，能够有效反映AD进展过程，支持将动态影像标志物纳入AD诊断与随访体系。其二，基于预训练3D CNN与LSTM的深度学习框架进一步证实，时空联合建模较横断面分析具有更高的判别能力，尤其适用于需要捕捉病程演变的神经退行性疾病。论文同时指出研究仍受限于样本量较小、年度MRI数据数量有限及预训练模型主要针对AD–CN任务等因素，因此对MCI的识别仍不够理想。作者还讨论了MRI采集参数标准化的重要性，认为场强、分辨率、层厚和采集协议都会影响体积测量的稳定性；ADNI标准化方案虽有助于降低多中心差异，但未来仍需更大规模、更平衡的队列来验证结果的普适性。此外，文章提到MRI虽能提供高质量结构信息，但缺乏PET等模态所反映的生化病理信息，因此未来整合多模态标志物可能进一步提升诊断性能。
研究结论部分可概括为：本研究利用ADNI的351次MRI扫描，证明了MRI体积特征的时间变化，尤其是CT变化率，在区分AD、MCI与CN方面具有重要价值。传统机器学习中，RF基于CT斜率在AD–CN任务中达到82.5%准确率，而SVM在MCI相关分类中约达到70%准确率。进一步地，结合预训练3D ResNet-101与LSTM的纵向深度学习模型在全部二分类任务中均优于单时间点CNN，尤其在AD–CN分类中达到96.7%的高准确率。研究提示，动态脑结构变化可为AD早期识别与分类提供有效依据，并为神经影像学辅助诊断和神经退行性疾病精准医学（precision medicine）提供方法学基础。
