《NeuroImage》：PatientSpace: A multimodal graph-based latent representation framework for modeling neurodegenerative disease heterogeneity
编辑推荐：
提出了PatientSpace：一种用于神经影像的可解释图基潜在空间。采用多模态变分自编码器（Variational Autoencoder, VAE）通过一致性损失（Consistency Loss）学习该潜在空间。基于图的邻域关系在诊断和影像特征上提供了可
提出了PatientSpace：一种用于神经影像的可解释图基潜在空间。采用多模态变分自编码器（Variational Autoencoder, VAE）通过一致性损失（Consistency Loss）学习该潜在空间。基于图的邻域关系在诊断和影像特征上提供了可解释的匹配。将轻度认知障碍（Mild Cognitive Impairment, MCI）患者投射到PatientSpace中有助于早期识别转化者。
研究背景与问题
神经退行性疾病，如阿尔茨海默病（Alzheimer's disease, AD）和额颞叶变性（Frontotemporal Lobar Degeneration, FTD），在临床表现、神经影像模式及进展速度上存在显著异质性。这些疾病并非离散的诊断实体，而是由生物变异、年龄和疾病阶段塑造的连续、多维过程。捕捉这种复杂性是神经影像学的一项重大挑战，特别是在需要理解个体患者轨迹和患者间变异性的场景下。结构磁共振成像（MRI）和氟代脱氧葡萄糖正电子发射断层扫描（FDG-PET）是体内表征神经退行性改变的核心影像学手段，但许多研究仍依赖预定义的感兴趣区域或群体水平的统计分析，这可能会掩盖微妙的时空模式，并限制对个体患者的解释能力。尽管深度学习方法在基于MRI或FDG-PET数据区分AD、FTD和认知正常个体方面展现出强大性能，但大多数模型仍侧重于分类任务，可解释性有限。在临床实践中，诊断推理常涉及将患者与相似病例进行比较，而非仅依赖预测标签。因此，具有临床实用性的计算模型应支持患者层面的推理，使临床医生能够将个体神经影像模式与可比对象进行关联。潜在表征学习通过将高维神经影像数据嵌入到连续空间中，为捕捉生物上有意义的变异性提供了有前景的替代方案，但现有方法通常是单模态的，且侧重于群体水平的亚型分析，对个体化解释或纵向轨迹分析的支持有限。
研究内容与结论
为应对上述挑战，研究人员提出了PatientSpace，一个多模态表征框架，旨在建模跨患者的神经退行性表型几何结构。该框架整合了结构MRI和FDG-PET，通过一个结构化的变分自编码器（VAE）学习一个多模态潜在表征，该表征同时捕捉共享信息和模态特异性信息。潜在空间通过基于诊断和年龄的辅助监督进行组织，同时保留受试者之间由神经影像驱动的相似性。训练后，每个受试者在学习的多模态潜在空间中被表示为一个后验分布，并构建一个概率性的受试者相似性图（PatientSpace），其中节点对应受试者，边编码其潜在表征之间的相似性。该图提供了对群体结构的可解释表示，支持群体水平的分析（如识别神经退行性表型聚类）和个体水平的推理（如通过邻域关系估计临床和影像变量）。研究在内部和外部数据集上评估了诊断性能，表征了PatientSpace的全局拓扑结构，并通过对一组独立纵向队列中轻度认知障碍（MCI）个体的分析，进一步证明了其捕捉疾病进展轨迹的能力。
研究结论表明，PatientSpace有效捕捉了AD和FTD的异质性，揭示了具有临床意义的疾病聚类，并通过潜在空间中的邻域关系实现了可解释的患者水平分析。该研究成果发表在《NeuroImage》期刊上。
主要技术方法
研究人员采用以下关键技术方法：（1）多模态变分自编码器：基于域不变变分自编码器（Domain Invariant Variational Autoencoder, DIVA）框架，学习一个共享多模态潜在表征（z
MM）和两个模态特异性潜在表征（z
MRI和z
PET）。（2）潜在空间结构化：通过诊断分类损失、年龄预测损失和一致性正则化损失（对称Kullback-Leibler散度）来组织潜在空间，使其沿临床相关轴对齐。（3）概率性图构建：基于对称Kullback-Leibler散度计算受试者后验分布间的相似性，构建k-近邻加权图（PatientSpace）。（4）邻域推理：利用图结构，通过加权聚合邻域信息，对未见受试者进行诊断分类、影像生物标志物预测和认知评分预测。样本队列来源包括公开数据库阿尔茨海默病神经影像倡议（Alzheimer's Disease Neuroimaging Initiative, ADNI）、纵向额颞叶变性研究（NIFD）、里尔大学医院本地数据库，以及外部验证数据集SOCRATES和纵向MEMENTO队列。
研究结果
3.1. PatientSpace的结构
3.1.1. PatientSpace聚类：通过凝聚聚类，在PatientSpace图中识别出十个聚类，包括三个认知正常（CN）聚类、两个FTD聚类和五个AD聚类。聚类在年龄、性别和临床严重程度（MMSE评分）上存在差异，反映了疾病阶段的异质性。
3.1.2. 聚类特异性萎缩和代谢低下模式：基于体素的形态测量学（Voxel-Based Morphometry, VBM）和代谢分析显示，AD#1-AD#4聚类表现出典型的AD特征，即颞叶和楔前叶的低代谢以及内侧颞叶结构（如海马）的萎缩，其中AD#1和AD#2的低代谢更显著。AD#5聚类萎缩和代谢低下有限。FTD#1聚类显示典型的额叶低代谢和萎缩，而FTD#2聚类则表现为以颞叶和岛叶为主的萎缩和低代谢。
3.1.3. 聚类稳定性：通过自助法（Bootstrap）重采样评估，聚类结构保持高度一致，调整兰德指数（Adjusted Rand Index, ARI）范围为0.57-0.66，调整互信息（Adjusted Mutual Information, AMI）值相当，表明PatientSpace的全局组织具有稳健性。
3.2. 个体水平的分类与预测
3.2.1. 诊断分类：在内部测试集上，VAE分类器和PatientSpace图推断均实现了与先进方法（如PET-CNN、AssemblyNet-AD-FTD）竞争的性能。在二元分类（CN vs 痴呆）中，VAE分类器AUC最高（0.992），PatientSpace特异性高（0.990）。在多分类中，PET-CNN平衡准确率最高（0.879），但PatientSpace图推断在各类别AUC上表现接近。外部验证（SOCRATES数据集）中，两种方法均保持了强性能，证实了模型的可泛化性。
3.2.2. 个体表征：基于图的邻域预测，成像生物标志物（脑体积和SUVR）与真实值之间存在中等到强的相关性。脑脊液（CSF）和灰质体积的相关系数分别为0.71和0.64。在AD相关区域，楔前叶和角回的SUVR预测相关性最强（r=0.77和0.80）。MMSE痴呆阶段预测的平衡准确率为0.56，显著高于随机水平，且重度痴呆病例从未被误分类为无或可疑痴呆。最近邻配对比随机配对的MMSE差异显著更小。
3.3. MCI进展分析（MEMENTO队列）
3.3.1. 基线异质性：将MCI受试者投射到PatientSpace中，结果显示疾病轨迹存在显著异质性。转化者MCI主要被分配到神经退行性相关聚类（61%），而稳定者MCI主要被分配到CN样聚类（89%）。投射到AD#3和AD#4聚类的MCI受试者转化率最高（分别为68.2%和58.2%），而CN聚类转化率显著较低。Kaplan-Meier生存分析显示，不同投射聚类的转化风险存在显著差异（p<0.001），AD#3聚类的中位转化时间（30个月）短于AD#4（34.8个月）。
3.3.2. MCI转化者的纵向轨迹：转移矩阵分析显示，稳定者MCI多保持在CN聚类内，而转化者MCI则从CN聚类向神经退行性聚类进行渐进性转移，且一旦进入AD或FTD相关聚类后，未观察到回归CN聚类的现象。
讨论与结论总结
讨论部分指出，PatientSpace的主要贡献在于通过整合多模态潜在表征学习与患者层面图构建，设计了一个统一的框架。该框架的关键优势在于：(i) 多模态整合，通过共享和特异性潜在变量捕捉互补信息；(ii) 通过辅助监督和影像驱动一致性约束组织潜在空间；(iii) 基于概率相似性的图推理，增强了可解释性。研究发现的AD亚型（如早发型和晚发型）与FTD亚型（如额叶型和颞叶型）与已知临床和生物学亚型一致，且聚类稳定性分析支持了结果的稳健性。在个体水平上，PatientSpace通过邻域关系实现了可解释的患者水平分析，为临床决策提供了透明链接。对MCI纵向队列的分析进一步表明，PatientSpace能够捕捉与痴呆进展相关的轨迹，并具有监测疾病进展的潜力。
研究结论部分原文翻译为：研究人员提出了PatientSpace，一个利用T1w MRI和FDG-PET捕获AD和FTD异质性的多模态图基潜在表征框架。该框架揭示了具有临床意义的疾病聚类，并通过潜在空间中的邻域关系实现了可解释的患者水平分析。对MCI患者的投射进一步证明了其捕捉与痴呆进展相关轨迹的能力。
