《Scientific Reports》：MINDSETS: Multi-omics Integration with Neuroimaging for Dementia Subtyping and Effective Temporal Study
編輯推薦：
在癡呆診斷領域，阿爾茨海默�。ˋD）和血管性癡呆（VaD）癥狀易混淆，現有診斷手段不足。研究人員開展 “MINDSETS：多組學整合神經影像用于癡呆亞型分類和有效時間研究”，診斷準確率達 89.25%，為癡呆診斷和治療提供新方向。
在全球老齡化加劇的當下，癡呆問題愈發嚴峻。阿爾茨海默�。ˋD）和血管性癡呆（VaD）作為兩種最常見的癡呆類型，卻因癥狀相似，給診斷帶來極大挑戰。傳統診斷工具，像臨床訪談、認知測試以及基礎成像技術，難以精準區分二者。這不僅導致 VaD 診斷常常延遲，使患者錯過最佳治療時機，預后不佳，也阻礙了對這兩種疾病病理生理機制的深入理解，影響新治療方案的開發。所以，尋找一種更精準、高效的診斷方法迫在眉睫。
來自 Mohamed bin Zayed University of Artificial Intelligence 和 Sheikh Shakhbout Medical City 的研究人員開展了相關研究，提出 MINDSETS（Multi - omics Integration with Neuroimaging for Dementia Subtyping and Effective Temporal Study）方法，融合多組學數據與神經影像進行癡呆亞型分類和時間研究。該研究成果發表在《Scientific Reports》上，為癡呆的診斷和治療開辟了新道路。
研究人員運用了多個關鍵技術方法：首先，對 MRI 掃描數據進行預處理，利用標準神經影像軟件包校正偏差、提取腦部、歸一化強度并進行空間配準；接著，使用預訓練的 3D UNet 模型對 MRI 掃描進行分割，以提取 32 種腦結構的放射組學特征；之后，將放射組學特征與臨床、基因數據及認知評估分數融合，并通過 FeatureWiz 進行特征選擇；最后，構建 Deep Feature Generation（DFG）模塊增強模型判別力。研究使用的樣本隊列來自公開數據集 ANMerge，包含 1702 名參與者的電子健康記錄（EHR）、縱向 MRI 掃描及多組學數據 。
研究結果
- 定性結果：研究發現，區分 AD 與健康對照（CTL）最為容易，其次是 AD 與輕度認知障礙（MCI）、MCI 與 CTL，而區分 AD 與 VaD 最難，這與先前研究及醫學預期相符。對比基線和縱向 MRI 數據發現，縱向數據雖能觀察疾病動態變化，但由于不同癡呆亞型進展速度不同，導致模型分類準確性在使用縱向數據時下降。
- 定量結果：多組學數據結合縱向掃描，在區分 AD 與 CTL 時準確率達 99.35%，區分 AD 與 VaD 時達 88.60% ，顯著超越傳統技術�；� MRI 掃描在區分 AD 與 VaD 時也有較高準確率（89.25%），顯示出早期診斷潛力。多組學數據比僅使用 MRI 數據，平均準確率提升 6.5%。DFG 模塊顯著提升了模型性能，在各類分類任務中效果明顯。
- 治療效果評估：對 20 名接受藥物治療的 MCI 患者和 20 名未治療的 MCI 患者對比分析發現，藥物治療 3 個月和 12 個月后，用藥組中分別有 15 名和 17 名患者屬于 MCI 類別的概率下降，且平均下降幅度大于未用藥組。同時，用藥患者 MRI 放射組學特征重要性隨時間呈下降趨勢，這表明藥物可能有助于減緩 MCI 進展，但還需更多研究證實。
- 特征重要性分析：MRI 放射組學特征中，一階圖像統計特征（如一階均方根特征）在各時間點重要性最高，紋理特征也有一定貢獻，且這些特征重要性在不同時間點相對穩定，可作為疾病進展的時間生物標志物。多組學特征分析顯示，遺傳特征重要性最高，臨床特征（如 MMSE 評分）也有中度且穩定的重要性，體現了多模態方法的價值。在 MCI 患者治療過程中，隨著時間推移，各放射組學特征重要性下降，其中形狀特征下降最明顯（約 25%），這與治療進展相關，有助于識別對治療干預最敏感的腦結構和功能方面，為評估治療效果提供了客觀依據。
- 與基于圖像的基線比較：傳統 3D CNN 在區分 AD 與 VaD、AD 與 CTL 時，準確率分別為 72.83% 和 84.27%，低于 MINDSETS 方法。這凸顯了傳統方法在捕捉神經影像數據細微差異、處理復雜神經退行性疾病方面的局限性，也證明了 MINDSETS 方法整合多組學信息和先進特征提取機制的優勢。
研究結論與討論
研究表明，多組學數據的整合能更準確、細致地對癡呆進行分類。僅使用 MRI 掃描也能取得不錯結果，可作為降低檢測成本的選擇。MINDSETS 方法結合 DFG 模塊，憑借其先進的特征生成能力，能有效區分 AD 和 VaD 的細微差異�？v向 MRI 掃描在區分和跟蹤進行性神經退行性疾病，尤其是 MCI 組時非常重要，為疾病分類提供了關鍵的時間維度信息。
該研究成果具有重要意義。在早期診斷方面，MINDSETS 方法 88.60% 的 AD 與 VaD 診斷準確率，遠超現有方法，能讓患者更早得到正確診斷，及時接受合適治療。在臨床應用中，精準區分兩種癡呆類型可減少誤診，幫助醫生制定針對性治療方案，改善患者預后。此外，模型的可解釋性和縱向監測能力，支持個性化醫療，符合臨床實踐指南中對患者持續監測和調整治療方案的要求。
不過，該研究也存在一定局限性。模型的泛化性有待進一步驗證，未來需在不同人群和醫療環境中開展研究，減少偏差，確保診斷工具的實用性。但總體而言，這項研究為癡呆的診斷和治療帶來了新希望，為后續研究奠定了堅實基礎，有望推動該領域的進一步發展，改善眾多癡呆患者的生活質量。
