《Biomedical Signal Processing and Control》：Uncovering group robustness issue in early diagnosis of MCI to AD conversion and a simple solution: Decoupled classifier with adaptive linear modulation
编辑推荐：
针对基于MRI的深度学习模型在预测轻度认知障碍（MCI）向阿尔茨海默病（AD）转化时，在不同年龄组间存在准确率差异（群体稳健性问题），本文率先进行了系统性研究。研究者提出了一种名为DEAL（DEcoupled classifier with Adaptive Linear modulation）的轻量级新方法，该方法结合了基于非侵入性认知与人口统计学表格数据的线性特征调制与解耦分类器。实验表明，DEAL能够有效提升模型在老年组等弱势群体上的表现，并作为改进此类预测模型公平性与可靠性的实用基线方法。
在全球老龄化趋势下，阿尔茨海默病（Alzheimer‘s disease， AD）已成为一个日益严峻的公共卫生挑战。及早识别出那些处于轻度认知障碍（Mild Cognitive Impairment， MCI）阶段、并将进展为AD的高风险个体（即进展型MCI， progressive MCI， pMCI），对于延缓疾病进程、优化治疗和改善患者预后至关重要。近年来，利用结构磁共振成像（sMRI）和深度学习技术进行早期诊断已取得显著进展。然而，一个关键但长期被忽视的问题是，这些模型在不同患者群体中的表现是否同样可靠？具体而言，一个模型可能在年轻患者中表现优异，却在老年患者身上频频出错，这种“群体稳健性”的缺失可能掩盖潜在的健康不平等，影响临床决策的公平性。
为此，来自首尔国立大学人工智能跨学科项目的研究团队在《Biomedical Signal Processing and Control》期刊上发表了一项研究，首次系统地探讨了在基于sMRI的MCI向AD转化预测任务中，模型在不同年龄群体间表现的稳健性问题。他们发现，标准分类器在由年龄划分的稳定型MCI（stable MCI， sMCI）和进展型MCI亚组中，存在显著的准确率差距。例如，对于年龄≥75岁的老年sMCI患者（G1组），模型平均准确率仅为67.15%，远低于年轻（<75岁）sMCI患者（G0组）的81.96%。这种差异的根源在于，与年龄相关的大脑萎缩在sMRI上可能与AD早期病变的特征相似，使得模型容易混淆老年sMCI和年轻pMCI病例的影像特征，从而将“脑萎缩程度”作为一个简单但不可靠的捷径特征来使用。这种偏差可能导致对老年sMCI患者的过度诊断，引发不必要的医疗干预和资源浪费。
为了应对这一挑战，研究者提出了一种名为“具有自适应线性调制的解耦分类器”（DEcoupled classifier with Adaptive Linear modulation， DEAL）的轻量级解决方案。DEAL的核心思想是引入非侵入性且易于获取的辅助信息，来“调制”和增强sMRI特征的表征能力。具体而言，他们利用了三种认知评估分数：简易精神状态检查（Mini-Mental State Examination， MMSE）、临床痴呆评定量表-总和（Clinical Dementia Rating–Sum of Boxes， CDR-SB）、阿尔茨海默病评估量表-认知子量表（Alzheimer’s Disease Assessment Scale–Cognitive Subscale， ADAS11）；一项功能活动问卷（Functional Activities Questionnaire， FAQ）；以及三项人口统计学变量：年龄二元指标（是否≥75岁）、性别和教育程度。这些信息通过一个多层感知机生成缩放（γ）和平移（β）参数，对从预训练模型中提取的倒数第二层特征进行自适应线性调制。此外，考虑到年轻和老年患者群体可能存在不同的疾病特征模式，DEAL还采用了一个“解耦”的分类头策略，即为年龄<75岁和年龄≥75岁的受试者分别训练一个独立的分类器，以更好地捕捉各年龄组特有的sMRI特征模式。
为了开展这项研究，团队主要依托了阿尔茨海默病神经影像倡议（Alzheimer‘s Disease Neuroimaging Initiative， ADNI）和国家阿尔茨海默病协调中心（National Alzheimer’s Coordinating Center， NACC）两大公共数据集中的MCI受试者sMRI图像及对应的临床数据。图像经过了脑提取、N4偏置场校正和非线性配准等标准化预处理。研究首先使用预训练（于AD/CN分类任务）的3D ResNet-18作为基线模型，在sMCI/pMCI分类任务上进行微调，以验证年龄分组的性能差异。随后，他们构建了DEAL框架，将sMRI特征与七维表格特征融合，并在年龄分组的基础上应用解耦分类器。通过大量对比实验、消融分析和可视化，验证了DEAL方法的有效性及其提升群体间特征可分性的机制。
研究的主要结果通过一系列图表和实验对比得以清晰展示：
- •
验证群体稳健性问题的存在：如图1所示，基础模型在四个年龄-诊断亚组（G0：年轻sMCI， G1：老年sMCI， G2：年轻pMCI， G3：老年pMCI）上表现出显著的不均衡性能，尤其在老年sMCI组（G1）上准确率最低。这表明标准的经验风险最小化训练无法保证跨群体的公平性。
- •
揭示问题的神经生物学基础：研究对海马体这一关键脑区进行了感兴趣区域（ROI）分析。结果如图2所示，在认知正常（CN）人群中，海马体信号强度（反映脑萎缩程度）随年龄增长而显著下降。更重要的是，老年sMCI患者（G1）与年轻pMCI患者（G2）的海马体强度分布高度重叠，无显著统计学差异，这为模型难以区分这两组提供了直接的影像学证据。
- •
DEAL方法的有效性验证：实验表明，DEAL方法在提升最差组准确率（Worst-Group Accuracy， WGA）和组平衡准确率（Group-Balanced Accuracy， GBA）方面均显著优于标准的基线方法以及多种先进的群体鲁棒性算法，如GroupDRO、SUBG和DFR。这证明了结合表格数据进行特征调制和使用解耦分类器的有效性。
- •
消融研究与机制分析：通过消融实验，研究者证实了七种表格特征各自都对性能提升有贡献，且将调制应用于倒数第二层特征（而非更早层）效果最佳。UMAP可视化显示，DEAL学习到的特征表示中，不同组别之间的重叠减少，特征可分性增强，这从表征层面解释了其性能提升的原因。
- •
架构普适性与外部验证：研究在多种网络架构（如3D ResNet-18， 3D DenseNet-121）上验证了DEAL的有效性，表明其方法具有普适性。此外，在独立的NACC外部数据集上的测试表明，群体稳健性问题同样存在，而DEAL方法依然能稳定提升性能，证明了其良好的泛化能力。
总结与讨论部分，本研究首次在MCI向AD转化的早期诊断任务中，明确揭示并量化了深度学习模型存在的年龄相关群体稳健性问题。研究者指出，仅关注总体准确率可能会掩盖模型在特定亚群（尤其是老年患者）上的性能短板，这在临床应用中可能导致不公平的诊断结果。他们提出的DEAL方法通过整合易于获取的临床和人口统计学信息，以一种简单而有效的方式调制sMRI特征，并结合年龄感知的解耦分类策略，显著缓解了这一问题。这项工作强调了在开发医疗人工智能模型时，评估和改进其群体稳健性的重要性。DEAL作为一种轻量、实用的基线方法，为未来在神经退行性疾病预测乃至更广泛的医学影像分析领域，构建更公平、更可靠的模型提供了新的思路和工具。其意义不仅在于提升算法性能，更在于推动人工智能辅助诊断向更具包容性和公正性的方向发展，确保技术红利能惠及所有患者群体。
