《Biomedical Signal Processing and Control》：Investigating the relationship between brain age and Alzheimer’s disease: A deep learning approach with multimodal MRI
編輯推薦：
為解決阿爾茨海默�。ˋD）早期診斷難題，研究人員開展基于多模態 MRI 的大腦年齡預測研究。構建多模態圖神經網絡模型，發現其在大腦年齡預測和疾病分類上表現優異，還明確相關腦區和基因關聯，助力 AD 早期診斷與治療。
在人口老齡化加劇的當下，阿爾茨海默�。ˋD）成為嚴重威脅老年人健康的 “沉默殺手”。這是一種漸進性神經退行性疾病，晚期常伴有危及生命的并發癥。隨著病情發展，患者大腦中 β- 淀粉樣蛋白（Aβ）異常積累，神經纖維纏結形成，進而導致神經元功能紊亂，出現記憶喪失、語言障礙、空間定向障礙等認知問題，嚴重影響生活質量，也給家庭和社會帶來沉重的經濟負擔。
目前，雖然已經有一些生物標志物用于 AD 的早期診斷，比如淀粉樣蛋白 PET 掃描、tau 成像、腦脊液（CSF）標志物等，但這些方法存在侵入性、費用高昂、可及性差等缺點。相比之下，基于神經影像數據的大腦年齡預測作為一種非侵入性手段，展現出早期檢測 AD 的潛力。大腦年齡預測依據大腦的結構和功能特征，有望在認知功能顯著下降前識別出高風險個體，不僅有助于理解大腦衰老過程，還能用于監測疾病進展和評估治療效果。
然而，當前的診斷實踐仍過度依賴主觀臨床評估。而且，現有的大腦年齡預測方法大多使用單模態結構磁共振成像（sMRI），忽視了早期功能連接中斷提供的補充信息。此外，患病樣本數量有限，阻礙了強大分類模型的開發。為了攻克這些難題，來自國內的研究人員開展了一項基于多模態 MRI 的深度學習研究，相關成果發表在《Biomedical Signal Processing and Control》上。
研究人員采用的關鍵技術方法主要有：數據來源于阿爾茨海默病神經影像倡議（ADNI）數據庫，包含 1006 名受試者的 sMRI 和靜息態功能磁共振成像（rs-fMRI）數據 。構建基于自動編碼器結構的多模態圖神經網絡模型，將 sMRI 和 rs-fMRI 數據構建成圖數據，訓練雙分支圖神經網絡（GNN）進行特征提��；通過十折交叉驗證評估模型性能。此外，還將模型改進為三分支分類模型，融入非圖像信息分支；利用注意力地圖突出與 AD 顯著相關的腦區；運用偏最小二乘法（PLS）和基因本體（GO）富集分析進行基因表達分析。
下面來看具體的研究結果：
- 多模態大腦年齡預測結果：對 ADNI 數據集中健康對照（HC）數據進行深入分析，采用十折交叉驗證，90% 數據用于訓練，10% 用于測試，重復十次。結果顯示，該模型結合功能和結構連接，在大腦年齡預測方面表現出色。這表明模型能夠有效提取和整合大腦的結構與功能特征，提升預測的準確性。
- 疾病分類結果：基于遷移學習的三分支模型在疾病分類任務中表現卓越，能夠有效融合非成像和 MRI 信息，優于其他方法。這一成果為 AD 的臨床診斷提供了更可靠的工具，有助于區分不同 AD 階段。
- 基因表達分析結果：通過 PLS 方法和 GO 富集分析，研究人員證實了杏仁核、海馬旁回、CDH23 基因、DNA 損傷與 AD 之間存在密切聯系。這揭示了 AD 相關的潛在分子機制，為尋找新的生物標志物和治療靶點提供了方向。
在研究結論和討論部分，該研究構建的多模態大腦年齡預測模型具有創新性，整合了多種成像模態、表型和遺傳信息，為 AD 的診斷和預后開辟了新途徑�；谧詣泳幋a器結構的 GNN 模型平均絕對誤差（MAE）達到 3.93，是檢測大腦加速衰老的有效工具。而且，三分支模型在疾病分類上的優勢，有助于臨床醫生更準確地判斷病情。此外，基因表達分析發現的相關聯系，為進一步理解 AD 的發病機制提供了理論依據，有望推動未來 AD 分類和治療干預的發展。
綜上所述，這項研究為 AD 的早期診斷和治療提供了一個多模態、可解釋且結合基因信息的大腦年齡預測框架，在 AD 研究領域具有重要的理論和實踐意義，為后續相關研究奠定了堅實基礎。
