基于对象检测与解耦表征学习的神经退行性疾病早期诊断新方法——NeuroFact-Net模型的多模态影像分析研究

《Frontiers in Aging Neuroscience》：Leveraging object detection for early diagnosis of neurodegenerative diseases through radiomic analysis

本文提出了一种创新的NeuroFact-Net框架，通过双路径潜在分解（za/zd）实现年龄相关变化与疾病特异性改变的分离，结合因果疾病感知对齐（CDAA）和对比学习策略，显著提升了阿尔茨海默病（AD）、帕金森病（PD）等神经退行性疾病的早期诊断准确性与模型可解释性。该研究为多中心影像生物标志物挖掘提供了可扩展的计算范式。

　　

引言

神经退行性疾病的早期诊断是现代神经影像学的核心挑战，因其早期病理改变具有细微性和异质性特点。融合人工智能与影像组学的分析方法已成为发现无创生物标志物和实现精准诊断的重要范式。本研究提出了一种结合对象检测与解耦表征学习的新方法，通过NeuroFact-Net架构提升检测灵敏度与可靠性。传统影像组学框架存在泛化性有限、特征工程僵化以及年龄、成像协议等混杂变异的影响，而本工作通过三管齐下的策略应对这些局限性。

方法

3.1 整体框架

本研究构建的混合表征框架能够区分年龄相关的形态学变化与疾病特异性改变。引入NeuroFact-Net——一种沿解剖轴和诊断轴监督的双路径变分编码器-解码器结构，该结构通过对比学习、对抗子组混淆和最大均值差异约束实现人群水平不变性与疾病特异性一致性。模型将神经影像数据x映射为两个语义可解释的潜在编码：z_a（编码与年龄相关的解剖变化）和z_d（编码疾病进展的异常），其先验分布满足p(z)=p(z_a)·p(z_d)。通过证据下界（ELBO）最大化及路径特异性重建机制（如x?_a=g_θ(z_a,0)），确保潜在表征的可分解性与可解释性。

3.2 监督与临床对齐

疾病特异性路径z_d通过辅助分类头c_ψ与诊断标签对齐，使用交叉熵损失函数；解剖路径z_a则通过回归头r_ω预测生物学年龄，采用均方误差监督。此外，针对纵向数据引入时间平滑性约束，强制潜在嵌入随时间演化保持连续性，从而捕获神经退行过程的渐进特性。

3.3 因果疾病感知对齐（CDAA）

该模块通过分层对齐正则化减少群体异质性导致的虚假关联。使用核函数最大均值差异（MMD）惩罚子组间潜在分布差异，并配合条件对齐损失确保类内一致性。同时，引入反事实干预机制，如对控制组样本施加AD相关潜在偏移（δ=μ_AD-μ_CN），生成疾病进展的合成影像，以增强模型对因果关系的捕捉能力。

结果与讨论

在多中心MRI与PET数据集上的实验表明，该方法在诊断准确性、领域迁移性和潜在生物标志物可解释性方面均优于现有方法。特别在早期阿尔茨海默病识别中，模型能够准确识别海马体、内嗅皮层等关键区域的萎缩模式，且其输出的分层可视化与临床病理标志物高度吻合。消融实验进一步验证了双路径分解、对比监督和因果对齐各组件对性能提升的贡献。

结论与展望

本研究提出的NeuroFact-Net为神经退行性疾病的早期诊断提供了可扩展、可解释且因果基础的计算框架。未来工作将集中于融合多模态数据（如语音、基因表达），并在独立临床队列中验证其泛化能力，以推动其在个性化医疗中的实际应用。