《Human Brain Mapping》：Improved Multiscale Structural Mapping with Supervertex Vision Transformer for the Detection of Alzheimer's Disease Neurodegeneration
编辑推荐：
阿尔茨海默病（AD）的确诊通常依赖于正电子发射断层扫描（PET）或脑脊液（CSF）分析，这些方法成本高且具有侵入性。因此，结构MRI生物标志物如皮质厚度（CT）被广泛用于无创AD筛查。多尺度结构映射（MSSM）近期被提出，用于从单次T1加权MRI（T1w）扫描
阿尔茨海默病（AD）的确诊通常依赖于正电子发射断层扫描（PET）或脑脊液（CSF）分析，这些方法成本高且具有侵入性。因此，结构MRI生物标志物如皮质厚度（CT）被广泛用于无创AD筛查。多尺度结构映射（MSSM）近期被提出，用于从单次T1加权MRI（T1w）扫描中整合灰白质对比度（GWCs）与CT。基于这一框架，研究人员提出了MSSM+，并结合了表面超顶点映射（SSVM）和超顶点视觉Transformer（SV-ViT）。分析了来自AD患者和认知正常（CN）对照者的3D T1w图像。MSSM+通过在顶点水平纳入沟深度（sulcal depth）和皮质曲率（cortical curvature）扩展了MSSM。SSVM将皮质表面划分为超顶点（表面斑块），有效表征区域间和区域内的空间关系。SV-ViT是一种作用于这些超顶点的视觉Transformer架构，能够从表面网格表示中进行解剖学信息学习。与MSSM相比，MSSM+在AD与CN之间识别出空间范围更广且统计显著性更大的组间差异。在AD与CN的分类中，MSSM+的精确率-召回率曲线下面积（AUPRC）比MSSM高出3个百分点（%p）。基于厂商的分析进一步表明，相比于CT、GWCs和MSSM，MSSM+在不同MR厂商间显示出更低的信号变异性和一致提升的分类性能。这些发现表明，MSSM+结合SV-ViT是一种有前景的基于MRI的成像标志物，可用于CSF/PET确认前的AD检测。
**论文解读：基于多尺度结构映射与超顶点视觉Transformer的阿尔茨海默病神经退行性变检测研究**
**研究背景与问题**
阿尔茨海默病（AD）是导致全球痴呆的首要原因，其神经病理过程在临床症状出现前数年即已启动。因此，早期检测对预防性干预和减轻疾病负担至关重要。当前，AD确诊常依赖正电子发射断层扫描（PET）或脑脊液（CSF）分析，但这些方法成本高昂且具有侵入性。结构MRI生物标志物如皮质厚度（CT）和灰白质对比度（GWCs）被广泛用于无创筛查，但单独使用时敏感性有限。多尺度结构映射（MSSM）通过整合CT与GWCs并利用偏最小二乘判别分析（PLS-DA）降维，提升了检测性能。然而，MSSM主要基于单厂商数据验证，且未充分利用其他皮质形态学特征。此外，深度学习方法在表面神经影像中的应用多采用基于均匀网格或图卷积的方式，未能充分结合解剖学先验。为此，研究人员开展了本研究，旨在扩展MSSM框架，引入更多顶点级特征并设计解剖学信息学习的Transformer架构，以提高AD检测的敏感性和跨厂商泛化能力。
**研究设计与结论**
研究人员从阿尔茨海默病神经影像学倡议（ADNI）和开放获取影像学研究系列（OASIS）多中心队列中收集了1988例3T T1w结构MRI数据，包括696例AD患者和1292例认知正常对照（CN），涵盖Siemens、GE和Philips三种MRI厂商。通过FreeSurfer v7.4.1重建皮质表面，提取顶点级特征：GWCs（8个深度对比度）、CT、沟深度（Sulc）、皮质曲率（Curv）、白质雅可比行列式（Jacob）和局部脑回化指数（LGI）。在顶点水平应用PLS-DA降维和多项式回归年龄校正。开发了表面超顶点映射（SSVM）方法：基于解剖学分区（ROI）约束的广度优先搜索将皮质表面划分为1280个非重叠、大小相等的超顶点（SVs），每个超顶点内的面数一致。设计了超顶点视觉Transformer（SV-ViT），以SVs作为输入标记，加入可学习的分类（CLS）标记和位置编码，通过堆叠Transformer编码器捕获SVs间的依赖关系，最终由多层感知机分类头输出AD/CN二分类结果。主要分类任务采用分层四折交叉验证，评估指标为受试者工作特征曲线下面积（AUROC）和精确率-召回率曲线下面积（AUPRC）。通过系统测试所有63种特征组合，筛选出最优特征集MSSM+（GWCs+CT+Sulc+Curv）。对比了MSSM+与CT、GWCs、MSSM的性能，以及SV-ViT与图神经网络（HGNN+、SplineCNN、SpiralNet++）和SiT的差异。进行了厂商特异分析、增量消融实验和留一消融实验。组水平分析采用顶点级广义线性模型（GLM），经置换聚类校正（10,000次置换，簇形成阈值0.01，簇校正阈值0.05）。跨厂商变异性通过Welch's ANOVA和两两Welch's t检验（Holm校正）评估。
**研究结果**
**3.1 扩展MSSM添加额外皮质特征的效果**
在全部63种特征组合中，MSSM+取得了最高的AUROC（0.93）和AUPRC（0.89），相比于MSSM分别提升1%p和3%p。单个特征中，GWCs表现最佳，其次为CT、Sulc、Jacob、Curv、LGI。组水平显著性图显示，MSSM+在前额叶、内侧额叶和旁中央皮层发现了比MSSM更广泛、更显著的AD与CN差异区域。
**3.2 跨MR厂商的泛化性**
在Siemens、GE和Philips三个子集中，MSSM+的AUROC均达到0.93-0.94，且跨厂商变异性低于CT、GWCs和MSSM。组水平分析中，MSSM+在每厂商中识别的显著顶点比例均高于其他特征。Welch's ANOVA显示，MSSM+的受试者均值跨厂商变异性最小（Holm校正p值显示显著差异但数值更小）。
**3.3 SV-ViT与MSSM+的性能及消融分析**
以MSSM+为输入，SV-ViT在AUROC（0.9312±0.0051）和AUPRC（0.8865±0.0104）上均优于SiT、SpiralNet++、SplineCNN和HGNN+，且标准差最小。增量消融显示，从GWCs开始逐步添加CT、Sulc、Curv可单调提升性能。留一消融发现，移除GWCs导致最大性能下降（AUROC降0.0543，AUPRC降0.0882），其次为移除超顶点表示、CT、Sulc和Curv。
**讨论与结论**
讨论部分指出，MSSM+通过整合Sulc和Curv提供了超越CT和GWCs的互补几何信息，如沟形态和局部形状复杂性，这些变化可能反映CT和GWCs未完全捕捉到的皮质退化。Jacob虽单项性能较Curv优，但在完整特征集中加入反而降低性能，提示过高的特征复杂度可能有害；LGI由于主要受神经发育因素影响，不适合捕捉神经退行性变。SV-ViT的注意力机制捕获了不同超顶点间的区域间依赖，而位置编码保留了超顶点内部信息，通过约束注意力维度和位置编码维度，实现了计算成本与区域间关系表征能力的平衡。局限性包括：SSVM中基于规则的区域约束导致ROI边界处的微小覆盖不足；厂商分布不平衡（Siemens占比最大），但厂商特异分析证实MSSM+在所有厂商中一致有效；年龄差异通过小样本多项式回归校正，但可能存在残余混杂。未来方向包括：采用学习式的图聚类替代规则广度优先搜索以提高覆盖率和ROI保真度；评估轻度认知障碍进展为AD的队列；整合淀粉样蛋白-β（Aβ）和tau生物标志物以验证A/T/N框架一致性；进行更精细的年龄建模和敏感性分析；探索厂商平衡训练样本和跨厂商扫描仪标准化。
研究结论翻译：研究人员提出了MSSM+，即在顶点水平整合额外形态学特征的MSSM扩展。同时设计了SSVM和SV-ViT，利用SSVM生成的超顶点实现解剖学信息学习。这些方法联合提升了每个MR厂商的AD与CN分类性能，并在大规模多中心数据集中产生了更强、更广泛的组对比。这些发现表明，该框架可作为CSF/PET确认前检测AD的、跨厂商泛化的可及性MRI生物标志物。
本文发表在《Human Brain Mapping》。
