摘要
预测轻度认知障碍（MCI）向阿尔茨海默病（AD）的进展，需要能够同时表征局部脑区异常及其在多次检查间演变特征的模型。我们开发了一种纵向图神经网络，能够在不规则随访就诊中整合结构磁共振成像、FDG-PET、局部影像生物标志物及临床协变量。本研究纳入了来自阿尔茨海默病神经影像计划（ADNI）的614例基线期为MCI的参与者：其中218例在五年内进展为AD（转化者），396例未发生转化（非转化者），共包含2438次符合条件的纵向就诊。每次就诊均基于Desikan–Killiany图谱表示为一个包含82个节点的脑图谱。节点特征由128维多模态卷积嵌入和四个局部生物标志物组合而成。图注意力层用于建模空间依赖关系，逐节点门控循环单元用于建模纵向依赖关系，掩码时间自注意力则用于聚合变长就诊序列。参与者在受试者水平上被划分为开发集和保留测试集，超参数通过在开发集内进行五折交叉验证来选取。在123名参与者的保留测试集上，模型的受试者工作特征曲线下面积（AUC）为0.859（95% CI 0.795–0.915），平衡准确率为0.805（95% CI 0.736–0.862），敏感性为0.781，特异性为0.832。该AUC在数值上高于最强基线模型——CNN-GRU序列模型（达到0.832，95% CI 0.758–0.894）；配对AUC差异为0.027（95% CI 0.009–0.098），未校正的DeLong p值为0.026，Holm校正后的p值为0.052，经多重比较校正后，在传统的0.05阈值下不具有统计学显著性。在消融实验中，移除时间建模使AUC降至0.818，移除空间图结构使AUC降至0.808，为所观察到的两个最大降幅。积分梯度分析显示海马区和内嗅皮层区域的重要性最高。将基于图的空间建模与循环纵向推理相结合，与单独使用序列建模相比，与更高的判别能力相关，但在多重比较校正后该差异不具有统计学显著性。验证仅限于单一研究队列（ADNI），未使用独立的验证数据集；在模型可考虑用于临床之前，需在独立队列上进行前瞻性外部验证。由于19.3%的就诊缺少FDG-PET数据，我们将主要结果与一项仅限每次就诊均有完整FDG-PET数据的参与者的敏感性分析分开报告（开发集交叉验证AUC 0.891 vs. 全队列掩码缺失FDG-PET时的0.874）；多模态性能应视为依赖于队列的特征，而非单一的条件性数值。
