《Frontiers in Neuroscience》：Precise diagnosis of Alzheimer’s disease based on sex-specific gray matter characteristics
编辑推荐：
本文通过多变量分析识别出11个存在性别差异的脑区（SDBR），其中8个在男女阿尔茨海默病（AD）患者中呈现特异性萎缩。研究利用图论分析构建性别特异性灰质结构脑网络，发现男女AD患者网络连接复杂性均显著降低，但男性患者网络节点改变更为广泛。基于性别特异性灰质特征构建的机器学习诊断模型（逻辑回归/SVM/KNN等）显示，性别特异性模型的诊断性能（AUC>0.91）显著优于混合性别模型，其中K近邻（KNN）算法表现最优。研究表明性别特异性灰质特征可提升AD诊断精度。
引言
阿尔茨海默病（Alzheimer’s disease, AD）存在显著的性别差异，女性患病率高于男性。这种差异可能源于生理、病理和社会心理等多重因素，包括女性更长的预期寿命、激素波动、心血管风险因素等。研究表明，男性大脑倾向于表现出更大的半球内连接，而女性大脑则表现出更多的半球间连接，这种连接模式的差异可能解释了女性在社会认知方面的优势以及男性在感觉运动技能和空间信息处理方面的熟练程度。在AD早期阶段，女性大脑灰质萎缩速率通常快于男性，但男性在后期经历加速萎缩，这可能与APOE4基因在女性中更普遍相关。
材料与方法
研究使用ADNI数据库的3.0特斯拉结构磁共振数据，包括164名健康老年女性、247名健康老年男性、135名女性AD患者和226名男性AD患者。采用CAT12工具箱进行图像预处理，包括颅骨剥离、模板配准、空间标准化和灰质分割，并使用8毫米高斯平滑核对灰质进行空间平滑。通过多变量回归分析识别健康女性和男性组间差异显著的灰质簇（SDBR），并采用配对样本t检验分析AD患者特异性萎缩脑区（ADFABR/ADMABR）。基于性别特异性灰质结构构建脑网络，通过图论分析评估网络参数变化，最后使用五种机器学习算法开发性别特异性AD诊断模型。
结果
性别特异性灰质簇
研究识别出11个存在性别差异的脑区（SDBR），主要分布在岛叶、颞叶和枕叶。其中8个脑区在女性AD患者中显示显著萎缩（ADFABR），8个在男性AD患者中萎缩（ADMABR）。女性患者未在3、6、11簇出现萎缩，男性患者未在3、10、11簇出现萎缩。
性别特异性灰质结构脑网络
基于性别特异性灰质簇构建的脑网络显示，男女AD患者网络连接复杂性均显著降低。阈值化分析（相关系数>0.3）表明AD患者网络连接密度明显下降。
图论分析
女性AD患者的网络改变呈现"局部聚焦"特征，仅2、9簇的接近中心性、聚类系数等图论指标出现显著变化（p<0.05）。而男性患者表现为"广泛扩散"改变，7个灰质簇的33个局部图论指标出现异常，网络损伤程度更严重。
性别特异性AD诊断模型
基于性别特异性灰质特征构建的机器学习模型中，女性特异性模型AUC达0.9506，男性特异性模型AUC为0.9156，均显著优于混合性别模型（AUC 0.9006）。K近邻（KNN）算法在五种机器学习算法中表现最优。
讨论
研究发现性别特异性灰质特征主要集中于边缘叶和颞叶，这些脑区的结构差异可能与男女认知行为差异相关。AD病理过程中，男女患者虽然都表现出脑网络复杂性下降，但网络改变模式存在显著差异：女性变化局限在特定枢纽节点，男性则涉及更广泛的网络损伤。基于这些特征构建的性别特异性诊断模型显著提升了诊断准确率，为AD的精准医疗提供了新思路。KNN算法在此场景下的优异表现提示其在性别特异性医学诊断中的应用潜力，但需注意其对数据分布敏感等局限性。
