综述：基于MRI扫描的阿尔茨海默病分类与检测最优深度学习或机器学习策略的网络分析

《Frontiers in Neuroscience》：Network analysis of optimal deep or machine learning strategies for classification and detection of Alzheimer’s disease based on MRI scanning

本文系统评估了基于MRI的机器学习（ML）与深度学习（DL）模型在阿尔茨海默病（AD）分类与检测中的效能。网络荟萃分析（NMA）显示，深度学习架构（如ResNet、CNN）在诊断准确性、敏感性方面普遍优于传统机器学习方法，凸显了人工智能（AI）在应对AD异质性挑战、推动精准医疗方面的巨大潜力。

　　

引言

阿尔茨海默病（Alzheimer's Disease, AD）是一种重大的全球性健康挑战，其患病率预计到2050年将大幅增加。尽管AD影响广泛，但其根本病因和机制尚未完全明确，这为有效诊断和治疗带来了困难。病理上，AD以脑皮质中老年斑和神经原纤维缠结的积聚为特征，但这些因素与疾病进展之间的关系复杂且具有异质性。虽然记忆障碍是AD的标志性症状，但患者的认知衰退表现多样，涵盖记忆、执行功能、语言和空间感知等多个方面的缺陷。传统的诊断方法通常依赖于主观的临床评估，难以检测脑结构和功能的细微变化。对此，神经影像技术，特别是磁共振成像（Magnetic Resonance Imaging, MRI），已成为研究AD相关脑部改变的重要工具。

方法

本研究遵循严格的系统综述方案，依据Cochrane系统综述手册和PRISMA（系统综述和荟萃分析优先报告项目）指南进行。检索策略涵盖多个数据库（如PubMed、Web of Science、Cochrane、Medline、EMBASE），检索时间截至2025年5月27日。研究问题基于PICO（人群/干预/比较/结局）框架设定。经过筛选，最终有11项研究符合预设的纳入标准。数据提取内容包括研究特征、机器学习/深度学习方法、患者数量、MRI扫描类型、准确性、敏感性等。采用频率学派的网络荟萃分析（Network Meta-Analysis, NMA）框架和随机效应模型，使用R软件（netmeta, dmetar包）进行统计分析。通过网络图、节点分裂法、异质性评估（I²统计量）和发表偏倚评估（Egger检验）等方法确保结果的稳健性。

结果

研究选择与特征

最终纳入分析的11项研究涵盖了不同的诊断任务（AD vs. 健康对照、AD vs. 轻度认知 impairment (Mild Cognitive Impairment, MCI)、MCI转化预测），主要使用T1加权MRI数据，部分研究采用多模态序列。数据集多来源于公共数据库如ADNI（Alzheimer's Disease Neuroimaging Initiative）。验证策略包括k折交叉验证、留一法、保留测试集等。研究所涉及的机器学习算法多样，包括贝叶斯（Bayes）、逻辑回归（Logistic Regression, LR）、支持向量机（Support Vector Machine, SVM）、多层感知器（Multilayer Perceptron, MP）、低密度分离（Low Density Separation, LDS）、极限学习机（Extreme Learning Machine, ELM）、前馈网络（Feed Forward Network, FFN）、卷积神经网络（Convolutional Neural Network, CNN）、DenseNet和ResNet。

不同深度学习/机器学习方法的准确性综合

准确性综合分析显示，深度学习模型整体表现优异。ResNet在准确性方面排名最高，其次是CNN和DenseNet。具体而言，ResNet相较于CNN的合并优势比（Odds Ratio, OR）为1.35（95% CI 1.12–1.60）。传统机器学习方法如Bayes consistently表现较差，其准确性估计值 consistently为负。LR、MP和SVM在许多研究中表现出与Bayes相当的性能。研究间存在中度异质性（τ²= 0.04, 网络 I²= 48%），这与诊断任务、MRI模态、数据集和验证策略的差异性相符。

敏感性与特异性的网络荟萃分析

在敏感性分析中，ResNet同样显示出最高的敏感性信号（OR = 1.40, 95% CI 1.10–1.76 vs. CNN）。描述性汇总显示，ResNet的平均敏感性最高（94.0%），其次是DenseNet（91.5%）。特异性在不同算法间差异较小，MP（90.0%）和ResNet（93.0%）报告的特异性值较高。这表明高准确性排名的模型通常也保持了较强的敏感性，而特异性差异相对不显著。

发表偏倚

漏斗图视觉检查提示存在轻微不对称，Egger检验表明可能存在小样本效应（p = 0.029）。鉴于证据基础有限和研究设计的异质性，对此结果需谨慎解读，但也提示某些模型的优势可能因选择性报告而被高估。

讨论

本研究通过系统综述和网络荟萃分析，比较了基于MRI的机器学习和深度学习算法在AD相关分类任务中的诊断性能。结果表明，现代卷积架构（如ResNet、CNN）通常比传统分类器获得更高的诊断性能。这凸显了人工智能，特别是深度学习，在利用神经影像数据应对AD异质性挑战方面的潜力。同时，研究也指出了数据异质性、模型可解释性以及潜在发表偏倚等挑战。未来的研究需要大规模、透明报告并经过外部验证的数据，以进一步确认这些发现，并推动计算技术和先进影像技术在AD诊断和管理中的变革性应用。此外，纳米技术（如超顺磁性氧化铁纳米颗粒SPIONs）与人工智能诊断的结合，也为AD的诊疗一体化（Theranosis）展示了前景。通过跨学科合作与创新，这些技术有望彻底改变我们对阿尔茨海默病的理解和应对方式。