《NPP—Digital Psychiatry and Neuroscience》：A probabilistic deep learning approach for choroid plexus segmentation in autism spectrum disorder
编辑推荐：
本研究针对自闭症谱系障碍（ASD）研究中脉络丛精确分割的难题，开发了一种基于ASCHOPLEX深度学习工具的微调与概率化方法。研究人员通过局部数据集和ABIDE数据库验证，证明该方法在成人ASD患者中达到接近人工分割的精度（Dice系数显著优于FreeSurfer），并通过不确定性量化首次揭示了模型在儿童数据中泛化性受限的问题。这项工作为ASD神经炎症机制研究提供了可靠的自动化分析工具，其不确定性评估框架为医学影像算法的临床转化提供了重要参考。
在大脑的精密防御系统中，脉络丛（choroid plexus）如同一位默默无闻的"守门人"——它不仅是血脑脊液屏障（blood-cerebrospinal fluid barrier, BCSFB）的关键组成部分，负责脑脊液的生产，更在神经免疫信号传导中扮演着核心角色。近年来，越来越多的证据表明，自闭症谱系障碍（autism spectrum disorder, ASD）患者可能存在脉络丛的形态学改变，这为理解ASD的神经炎症机制提供了新视角。然而，深入研究面临着一个技术瓶颈：在磁共振成像（magnetic resonance imaging, MRI）上精确分割脉络丛犹如"大海捞针"，传统手动分割方法不仅耗时耗力（单个受试者需数小时），还因图像对比度低和解剖结构变异大而存在较强主观性。
虽然已有一些自动化分割方法（如FreeSurfer）被开发，但这些工具在ASD人群中的泛化能力尚未得到系统评估。特别是在面对不同年龄群体（如儿童与成人）或不同疾病队列时，算法性能的可靠性更是一个未知数。正是为了突破这一困境，研究团队将目光投向了最新开发的ASCHOPLEX（Automated Segmentation of CHOroid PLEXus）深度学习工具，并在《NPP—Digital Psychiatry and Neuroscience》上报告了他们的创新性探索。
研究团队首先在局部数据集（65名18-40岁成人，包括36名ASD和29名健康对照）上对ASCHOPLEX进行了微调。令人振奋的是，仅使用12名受试者（6名训练，6名验证）的少量数据，微调后的模型就在剩余53名受试者上表现出色，其Dice相似系数显著优于未微调版本和FreeSurfer。更重要的是，未微调的ASCHOPLEX在ASD患者中表现较差的技术偏差，经过微调后完全消除，证明这种"适应性学习"能有效提升算法在特定人群中的适用性。
但研究的创新之处远不止于此。团队进一步开发了ASCHOPLEX的概率版本，通过激活蒙特卡洛丢弃（Monte Carlo Dropout, 概率设为0.1）技术，使模型能够输出每个体素被标记为脉络丛的概率（0-1范围），而非简单的二元标签。这种改造使得研究人员能够在没有"金标准"手动分割的情况下，通过不确定性量化来评估模型的泛化能力。
当将这一概率化模型应用于包含1802名受试者（5-64岁）的ABIDE（Autism Brain Imaging Data Exchange）数据库时，研究发现了极具启示性的结果：虽然模型在成人数据中表现稳定，但在儿童数据中所有不确定性指标（标准差、总预测熵、认知不确定性）均显著升高。通过不确定性分解，研究团队确认这种性能下降主要源于认知不确定性（epistemic uncertainty）的增加，即模型对儿童数据"认识不足"所致，而非数据质量本身的问题。
关键技术方法
研究采用多中心数据集验证方法，包括局部数据集（n=65，ASD/CON成人）和ABIDE数据库（n=1802，涵盖儿童和成人）。核心技术为ASCHOPLEX模型微调（12例样本）和概率化改造（MC Dropout概率0.1）。通过计算Dice系数等指标评估分割精度，并采用四种不确定性指标（标准差、总熵、预期每样本熵、互信息）量化模型泛化性，使用线性混合效应模型进行统计比较。
微调显著提升分割精度
- •
性能比较：微调后的ASCHOPLEX（无论是确定性还是概率版本）在局部数据集测试集（n=53）上均表现出接近人工分割的精度，Dice系数显著高于FreeSurfer和未微调的ASCHOPLEX。
- •
偏差消除：未微调的ASCHOPLEX在ASD患者中表现出的性能偏差（Dice系数低于健康对照），经过微调后完全消除，证明微调对确保算法在特定人群中的公平性至关重要。
不确定性量化揭示泛化局限
- •
年龄差异：在ABIDE数据库中，模型在儿童（<18岁）中的所有不确定性指标均显著高于成人，表明模型对儿童数据的泛化能力有限。
- •
不确定性分解：不确定性增加主要来自认知不确定性成分，说明性能下降源于模型对儿童数据特征的"不熟悉"，而非数据质量问题。
- •
诊断无偏性：值得关注的是，在ABIDE数据中，ASD与健康对照之间的不确定性无显著差异，表明模型在不同诊断群体中具有一致的性能表现。
研究结论与展望
这项研究首次系统评估了深度学习脉络丛分割工具在ASD人群中的适用性，并创新性地引入了不确定性量化框架。结果表明，基于少量数据的微调可以显著提升ASCHOPLEX在成人ASD患者中的分割精度，而概率化改造则为评估模型在新人群中的可靠性提供了重要指标。
研究发现的模型在儿童数据中泛化性受限的问题，凸显了在发展跨年龄组医学影像分析工具时，必须考虑发育因素对脑结构特征的影响。儿童较小的侧脑室和不同的对比度特征，增加了脉络丛分割的技术难度，这也解释了为何模型在面对这一群体时表现出更高的不确定性。
这项工作的重要意义在于，它不仅为ASD神经炎症研究提供了可靠的自动化分析工具，更重要的是建立了一个评估医学影像算法泛化性的框架。研究人员建议，在未来将深度学习工具应用于临床实践时，应将微调作为标准流程，并利用不确定性指标来识别可能存在的模型失效情况。例如，可以通过设定不确定性阈值，自动标记出需要人工复核的个案，从而提高整个分析流程的可靠性。
随着对脉络丛在神经发育和精神疾病中作用的深入理解，这种结合了微调策略和不确定性量化的自动化分割方法，将为大规模人群研究提供强有力的技术支持，推动我们更深入地理解ASD等疾病的神经生物学机制。
