编辑推荐：
阿尔茨海默病早期诊断中，本研究提出双路径混合专家模型（DP-MoE），整合体积分量与熵基MRI纹理特征，通过自注意力门控和残差融合机制提升分类性能，在CN vs. AD任务中准确率达93.02%，AUC为0.975，优于传统方法。
朴尚允|池永荷|林亨真|金秉俊|白善希|金钟铉|尹明根
韩国大学，生物医学工程系，首尔城北区安岩路145号，02841，大韩民国
摘要
背景：
阿尔茨海默病（AD）是一种进行性神经退行性疾病，其特征是大脑萎缩，可通过MRI观察到。虽然体积测量方法（如海马体积）被广泛使用，但往往无法捕捉到早期的微观结构变化。纹理特征（如强度熵）能够捕捉组织异质性，可能有助于早期诊断。结合这些正交模态可以产生更好的生物标志物。
结果：
该模型在三个二分类任务（CN vs. AD、CN vs. MCI、MCI vs. AD）上进行了评估，使用了T1加权和基于熵的MRI数据。在CN vs. AD任务中，模型的准确率为93.02%（93.02 ± 0.0109），AUC为0.975 ± 0.004，优于基线MoE模型和逻辑融合模型。消融研究证实了注意力和残差组分的重要性。
与现有方法的比较：
传统方法采用连接或固定权重的方式，忽略了模态特异性特征。体积和熵提供了正交且互补的信息。尽管专家混合模型在其他领域很常见，但在AD成像中仍未得到充分应用。我们的自适应融合方法提高了可解释性和准确性，尤其是在早期阶段区分方面。
结论：
DP-MoE提供了一个有效的、可解释的框架，用于融合异构的MRI生物标志物，有望应用于阿尔茨海默病的早期诊断工作流程中。
引言
阿尔茨海默病（AD）是一种进行性神经退行性疾病，也是最常见的痴呆症原因（Li等人，2022年），其特征是认知能力和记忆力下降（Volicer，2007年）。早期诊断至关重要，因为它可以及时干预，从而减缓疾病进展并改善临床结果（Pais等人，2020年）。
随着脑部磁共振成像（MRI）数据的日益丰富，自动化诊断系统作为辅助AD检测的手段受到了关注（Dardouri，2025年）。这些系统旨在识别那些通过视觉检查可能难以发现的影像生物标志物（Diogo等人，2022年）。通过利用机器学习技术，自动化方法可以捕捉宏观和微观结构异常，从而在一致性、可扩展性和敏感性方面具有潜在优势（Mieling等人，2025年）。
一种广泛使用的方法是体积分析，它可以量化海马体和内嗅皮层等关键区域的脑萎缩（Tae等人，2025年）。这种方法在确诊的AD病例中表现良好。然而，体积萎缩通常只在疾病后期才变得明显，这限制了其在早期检测中的应用（Cuingnet等人，2011年）。此外，体积标志物容易受到个体差异和分割噪声的影响，尤其是在小区域（Prestia等人，2013年）。
为了解决这个问题，研究人员探索了纹理分析作为补充策略（Cai等人，2020年）。在各种纹理描述符中，香农熵提供了一种量化感兴趣区域内信号不可预测性的原理性方法（Sun等人，2015年；Watts和Crow，2022年）。重要的是，这种随机性并非噪声，而是反映了由早期病理变化（如神经纤维缠结和淀粉样蛋白β沉积）引起的生物学紊乱（Wearn等人，2023年）。因此，熵为萎缩前的退行提供了独特的视角，而这通常是体积指标无法捕捉到的。
尽管体积和熵特征各有优势，但它们各自仅传达了部分信息。值得注意的是，它们分别捕捉了AD病理学的不同方面：宏观结构萎缩和微观结构紊乱。
受到体积和熵特征互补作用的启发，我们引入了双路径专家混合（DP-MoE）框架。在这个框架中，DP-MoE明确地模拟了这种正交性（Jacobs等人，1991年；Li等人，2023年）。它通过独立的专家网络处理体积和熵特征，并使用基于注意力的门控机制动态融合它们的输出。
在这项研究中，我们评估了DP-MoE是否能够通过根据每个受试者的具体情况自适应地优先考虑不同模态，从而提高早期AD分类的鲁棒性和可解释性。
方法
我们开发了一个诊断框架，该框架整合了来自MRI数据的体积和基于熵的特征，以捕捉AD中的宏观和微观结构变化。基于初步分析显示这些生物标志物的互补作用，我们将设计从标准的专家混合（MoE）模型改进为DP-MoE架构。
熵作为额外的微观结构特征
图3(a)展示了CN、MCI和AD组的标准化强度直方图分布。其中，x轴表示从成像数据中提取的标准化强度值，y轴表示这些强度的相对频率。值得注意的是，AD组的分布比MCI和CN组更广泛且变化更大，表明其强度特征更为异质。
基于这些直方图观察结果，图3(b)进一步展示了...
讨论
本研究提出了一种新的AD诊断框架，该框架将体积测量与从结构MRI中提取的基于强度的熵特征相结合。传统的体积分析被广泛用于检测整体脑萎缩，但往往无法捕捉到可能先于可见结构变化的微妙微观结构变化（Parker等人，2022年）。通过引入熵作为补充生物标志物，所提出的方法提供了更细致和可靠的...
结论
我们提出了一个DP-MoE框架，该框架整合了基于体积和熵的MRI特征以改进AD诊断。通过结合特定于模态的专家网络和自适应门控机制，该模型有效地捕捉了宏观和微观结构生物标志物。我们的方法克服了传统体积分析的关键局限性，并在诊断准确性方面取得了显著提升，特别是在早期检测方面。该框架具有可解释性和计算效率...
CRediT作者贡献声明
朴尚允：撰写 – 审稿与编辑、原始草稿撰写、可视化、验证、监督、软件开发、资源管理、方法论设计、数据分析、概念化。池永荷：软件开发、数据分析、概念化。林亨真：方法论设计、数据分析。金秉俊：撰写 – 审稿与编辑、项目管理工作、方法论设计、数据分析。白善希：撰写 – 审稿与编辑、项目管理工作
伦理声明
本研究仅使用了来自阿尔茨海默病神经影像学计划（ADNI）数据库的去标识化数据。所有ADNI参与者均提供了书面知情同意书，研究方案已获得各参与机构的审查委员会批准。作者未进行任何额外的人体或动物实验。
写作过程中使用生成式AI和AI辅助技术的声明
在准备本论文期间，作者使用了ChatGPT（OpenAI）来提高手稿的可读性和清晰度。使用该工具后，作者根据需要对内容进行了审查和编辑，并对出版物的内容负全责。
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
本项工作得到了韩国国家研究基金会（NRF）的资助，资金由韩国政府（MSIT）提供（项目编号：NRF-2021R1A2C2008695），以及韩国医疗器械发展基金的资助，该基金由韩国政府（科学技术信息通信部、贸易产业能源部、卫生福利部和食品药品安全部）共同提供（项目编号：1711196423、RS-2023-00254868）。
