一种多视图DTI特征融合框架，用于提高阿尔茨海默病的诊断准确性

《Neuroscience》：A multi-view DTI feature fusion framework for enhanced diagnosis of Alzheimer’s disease

多视角DTI特征融合框架结合体素级微观结构特征、残差块3D-CNN高层特征、纤维追踪结构连接网络及放射学特征，通过ReliefF降维和集成学习实现AD、MCI、NC的精准分类，AD vs NC准确率达97.6%。

　　

乔建平|周光超|吴少奇|尚浩|袁琦|孙建德

山东师范大学物理与电子学院，济南，中国

摘要

阿尔茨海默病（AD）是一种不可逆的神经退行性疾病。扩散张量成像（DTI）被广泛用于检测大脑变化以辅助诊断，但大多数方法依赖于单一尺度的信息。因此，本研究提出了一个多视图特征学习框架，结合了基于残差块的3D卷积神经网络（3D-CNN）来诊断AD。首先，应用基于纤维的方向统计方法从分数各向异性（FA）和平均扩散率（MD）图中提取体素级特征。其次，使用基于残差块的3D-CNN模型提取高级深度特征，以增强模型捕捉全局上下文信息的能力。第三，通过纤维追踪构建结构连接网络，作为基于连接的特征。第四，应用放射组学方法从FA和MD图像中提取纹理和形状特征。这四种类型的特征被线性组合后，使用ReliefF算法进行降维处理。最后，采用集成学习策略对AD组、轻度认知障碍（MCI）组和正常对照组（NC）进行三种二元分类任务。此外，还利用层间相关性传播（LRP）来提高3D-CNN模型的可解释性。在阿尔茨海默病神经影像学倡议数据库的427名受试者上进行评估，该框架整合了互补的多尺度信息，取得了优异的性能。在AD与NC的分类中，准确率为97.6%，敏感性为98.0%，曲线下面积为0.964，优于几种现有方法。这些结果表明，我们的方法提高了诊断准确性，并通过识别与已知AD病理相关的多尺度生物标志物，有助于理解疾病机制。

引言

阿尔茨海默病（AD）是一个严重的全球健康挑战，其患病率的增加凸显了有效诊断策略的迫切需求（Sheng等人，2021年）。作为一种进行性的神经退行性疾病，AD表现为认知衰退、记忆丧失和行为变化，最终导致独立能力的严重丧失。轻度认知障碍（MCI）通常是AD的早期阶段，每年有10-15%的MCI患者进展为痴呆（Baird等人，2021年）。由于缺乏治愈方法，早期和准确的诊断至关重要，这对于及时干预、患者护理管理和新疗法的开发具有重要意义。在这种背景下，基于神经影像学的生物标志物结合人工智能（AI）已成为识别疾病最早阶段的强大工具（Rudroff等人，2024年），有可能减轻医疗系统和家庭的社会经济负担。

在各种神经影像技术中，扩散张量成像（DTI）因其对大脑微结构完整性和白质组织的敏感性而备受关注（Rathore等人，2017年）。通过量化水分子的方向扩散（如分数各向异性（FA）和平均扩散率（MD）等指标，DTI为我们提供了观察AD中破坏神经连接的病理变化的窗口，这些变化通常先于明显的体积萎缩（Bergamino等人，2021年）。因此，基于DTI的计算机辅助诊断已成为一个活跃的研究领域，产生了多种分析方法（Oishi等人，2011年）；这些方法大致可以分为三类，每种方法都有其独特的优势和局限性。基于兴趣区域（ROI）的方法专注于预先选定的、已知易受AD病理影响的脑区，例如海马体和内嗅皮层（Walhovd等人，2009年；Zarei等人，2010年）。虽然ROI方法具有直观的可解释性，但它们受到预定义区域的限制，可能无法捕捉到扩散或分布于整个白质网络中的病理变化（Bergamino等人，2020年）。基于体素的方法，包括基于纤维的方向统计（TBSS）（Zhang和Zhan，2023年；Maggipinto等人，2017年），通过对整个大脑进行体素级分析来识别局部微结构变化，而无需预先假设。尽管这种无偏见的方法成功识别了AD中的广泛白质退化（Smith等人，2006年），但体素级方法的主要局限性在于它们仅关注局部变化，可能无法捕捉到嵌入在复杂结构网络中的高阶信息，如网络级别的拓扑属性和长距离连接变化，这些变化是AD的特征。这种对系统级干扰的不敏感性可能限制了它们在理解疾病进展和实现早期诊断方面的实用性。

基于连接的方法旨在通过构建基于全脑纤维追踪的结构连接网络来弥补这一不足（Han等人，2021年）。这些网络模型将大脑视为一个图，从而捕捉支撑认知功能的连接图。这一范式与将AD视为一种断连综合征的概念高度一致。然而，这些网络往往维度较高且包含冗余连接，需要强大的特征选择来避免过拟合并提高可解释性（Wang等人，2023年）。尽管最近的研究开始将这些网络与深度学习模型结合（Marzban等人，2020年），但许多方法仍然依赖于单一视角的特征或2D卷积神经网络（CNN）（Zhang等人，2024年）；这些方法可能无法充分表示DTI数据中固有的丰富3D结构信息。

该领域现有的方法主要使用来自单一空间尺度的特征，如体素、区域或网络。然而，这种单一尺度的分析可能会忽略分布在整个大脑层次结构中的丰富互补信息。因此，整合这些不同的特征以实现更全面的疾病表征对于准确预测阿尔茨海默病至关重要。

本研究提出了一种多视图DTI特征融合框架，用于AD诊断。其核心贡献在于结合了四个互补的特征：体素级微结构特征、深度3D-CNN特征、全脑结构连接网络和放射组学特征。这种方法旨在捕捉跨尺度的病理特征，从而克服了单一尺度方法在表征能力上的局限性。在ADNI数据集上的实验表明，该框架在区分AD患者和正常对照组（NC）方面的准确率为97.6%，验证了跨尺度特征融合在提高AD诊断效果方面的有效性。

材料与方法

所提出的阿尔茨海默病预测框架的概述如图1所示。本研究的目的是开发一个诊断框架，用于区分来自DTI数据的关键临床组。为此，我们在三个独立的二元分类任务上评估了我们的模型：AD与NC、MCI与NC以及AD与MCI。对于二元分类任务，我们设计了一个3D-CNN特征学习模型，并构建了多视图特征以捕捉DTI的不同尺度信息

人口统计和临床特征

所有参与者的 demographic 和临床特征详细信息见表1。诊断分类是根据既定的临床指南进行的，包括简易精神状态检查（MMSE）和临床痴呆评分（CDR）量表（Yue等人，2023年）。根据这些评估，参与者被分为三组：（1）正常对照组（NC）没有显著的认知或功能障碍；（2）轻度认知障碍（MCI）

讨论

阿尔茨海默病是一种多因素神经退行性疾病，其病理过程涉及大脑结构、连接性和功能的多尺度异常。先前的神经影像学研究主要集中在有限的模态组合上（DTI和fMRI（Meng等人，2022年），DTI、PET和sMRI（Agostinho等人，2022年）或提取单一尺度特征（白质连接网络（Yang等人，2023年），单一指标如FA或MD（Lella等人，

数据可用性

ADNI是一个完全去标识化的公开数据集，已获得其各自来源机构的机构审查委员会（IRB）的批准。伦理监督由ADNI IRB提供（详情见 https://adni.loni.usc.edu/wp-content/uploads/ how_to_apply/ADNI_Acknowledgement_List.pdf）。

CRediT作者贡献声明

乔建平：撰写 – 原始草案，验证，监督，软件，方法论，调查，正式分析，概念化。周光超：软件，方法论。吴少奇：软件，方法论。尚浩：软件，方法论，概念化。袁琦：撰写 – 审阅与编辑，软件。孙建德：撰写 – 审阅与编辑，软件。

伦理批准

不适用

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。