通过保持身份信息的去噪扩散生成对抗网络来预测阿尔茨海默病的进展

《npj Digital Medicine》：Forecasting Alzheimer’s disease progression via identity-preserved denoising diffusion generative adversarial network

　　

摘要

预测阿尔茨海默病（AD）的进展对于评估旨在改变疾病进程的二级预防措施至关重要。然而，准确预测纵向MRI图像仍然具有挑战性，尤其是在保持受试者身份方面，因为深度生成模型可能会从单次基线扫描中生成不同个体的看似真实的未来MRI图像。在本研究中，我们开发了一种新型的身份保护去噪扩散生成对抗网络（IP-DDGAN），该网络能够在元数据条件下快速生成特定于受试者的纵向MRI图像。具体而言，我们采用了一种身份保护策略，结合了元数据引导模块和身份保护正则化项，以在合成的纵向MRI图像中保持受试者身份的完整性。此外，我们全面整合了形态测量学指标、受试者身份一致性指标和图像质量指标，来评估合成纵向MRI图像的逼真度和生物学合理性。结果表明，IP-DDGAN生成的合成MRI图像保留了与生物学和疾病相关的特征，并具有足够的真实感，可以支持后续应用。我们提出的模型能够有效捕捉生物学和疾病相关的随时间变化，并预测不同的疾病进展轨迹，包括从认知正常（CN）到轻度认知障碍（MCI）以及从MCI到AD的临床重要转变。