《Asian Journal of Psychiatry》：Machine learning prediction prior to onset of Mild Cognitive Impairment using T1-weighted magnetic resonance imaging radiomic of the hippocampus
編輯推薦：
為早期識別正常認知（NC）向輕度認知障礙（MCI）進展者，研究人員基于 ADNI 數據庫，結合海馬影像組學特征與神經心理評估構建預測模型。LightGBM 模型訓練集 AUC 0.89、準確率 0.79，測試集 AUC 0.80、準確率 0.74，為 MCI 早期預測提供新視角。
研究背景與意義
隨著全球老齡化加劇，認知健康問題日益凸顯。輕度認知障礙（Mild Cognitive Impairment, MCI）作為正常認知（Normal Cognition, NC）向阿爾茨海默�。ˋlzheimer’s Disease, AD）過渡的關鍵階段，每年約有 5-17% 的 MCI 患者進展為 AD。然而，目前針對 MCI 的干預效果有限，可能因疾病已存在不可逆病理損傷。研究表明，在 MCI 發病前的 NC 階段進行早期干預，有望通過調動大腦神經可塑性儲備延緩認知衰退。因此，如何從 NC 人群中精準識別出未來可能進展為 MCI 的個體，成為預防認知 decline 的關鍵科學問題。
海馬作為大腦中與記憶和認知功能密切相關的核心腦區，在 MCI 發生前已出現結構和功能改變。過往研究發現，單純基于海馬體積的預測模型效能有限（AUC=0.739），而結合海馬影像組學特征（如紋理、形態參數）可顯著提升預測準確性。影像組學通過高通量提取醫學影像中的定量特征，能捕捉傳統肉眼難以辨識的細微結構變化，為 MCI 的早期預測提供了新方向。
在此背景下，福建中醫藥大學等國內研究機構的科研團隊，圍繞 “如何利用海馬影像組學特征聯合神經心理評估預測 NC 向 MCI 的轉化” 這一科學問題展開研究。相關成果發表于《Asian Journal of Psychiatry》，為 MCI 的早期預警提供了重要的影像學證據。
研究方法概述
研究基于阿爾茨海默病神經影像學計劃（Alzheimer’s Disease Neuroimaging Initiative, ADNI）數據庫，納入 175 例 NC 個體，其中 50 例在 7 年內進展為 MCI（pNC 組），125 例維持正常認知（sNC 組）。研究流程如下：
- 影像數據處理：對 T1 加權磁共振（T1-weighted MRI）圖像進行海馬分割，提取包括形狀（如 original_shape_Maximum3DDiameter）、紋理（如 original_glrlm_RunEntropy、original_ngtdm_Coarseness）等多維度影像組學特征。
- 特征篩選：采用最小絕對收縮和選擇算子（Least Absolute Shrinkage and Selection Operator, LASSO）算法對特征進行降維，篩選出組間差異顯著的 14 個特征。
- 模型構建與驗證：結合神經心理評估指標（如 ADAS-Cog13、ADAS-Cog11），構建邏輯回歸（Logistic Regression, LR）、支持向量機（Support Vector Machine, SVM）、隨機森林（Random Forest, RF）、輕量級梯度提升機（Light Gradient Boosting Machine, LightGBM）等分類模型，通過 5 折交叉驗證優化參數，采用 80:20 比例劃分訓練集與測試集。
研究結果
1. 研究人群特征
兩組人群在年齡、教育程度及 MMSE 評分上無顯著差異，但 pNC 組女性比例更高（P<0.05），且在 ADAS-Cog13 和 ADAS-Cog11 評分中表現更差（P均 < 0.001），提示基線認知功能差異可能與 MCI 進展相關。
2. 影像組學特征篩選
通過 LASSO 算法結合組間差異分析，最終確定 14 個關鍵影像組學特征，涵蓋海馬的形狀、紋理等屬性。例如，original_shape_Maximum3DDiameter 反映海馬形態變化，original_glrlm_RunEntropy 和 original_ngtdm_Coarseness 則捕捉紋理復雜性與粗糙程度，這些特征被證實與 MCI 進展密切相關。
3. 模型性能比較
- LightGBM 模型：在訓練集中表現最佳，受試者工作特征曲線下面積（Area Under the ROC Curve, AUC）為 0.89，準確率 0.79；測試集 AUC 為 0.80，準確率 0.74，顯著優于其他傳統機器學習模型。
- 多模態整合價值：研究發現，聯合海馬影像組學特征與神經心理評估的模型性能，顯著優于單一模態（如僅基于海馬體積或僅基于神經心理數據），表明多維度數據整合可提升預測效能。
研究結論與討論
本研究通過分析海馬 T1 加權 MRI 影像組學特征并結合神經心理評估，成功構建了預測 NC 向 MCI 轉化的機器學習模型，其中 LightGBM 模型展現出較高的預測效能（AUC=0.80-0.89）。研究結果表明，海馬的紋理和形態特征可作為 MCI 發病前的潛在生物標志物，為臨床在 NC 階段識別高風險人群提供了新工具。
與既往研究相比，本研究的創新點在于：①聚焦 NC 向 MCI 轉化的 “超早期” 階段，填補了早期干預研究的空白；②通過影像組學技術挖掘海馬結構的復雜特征，突破了傳統單一指標（如體積）的局限性；③驗證了多模態數據整合在認知預測中的優勢。盡管研究基于 ADNI 數據庫，樣本量有限且為回顧性分析，但其結果為前瞻性隊列研究和臨床轉化提供了重要理論依據。
該研究的意義在于，通過影像組學與機器學習的結合，有望開發出無創、便捷的 MCI 早期預測工具，推動認知障礙疾病的 “關口前移”，為早期干預和個性化醫療提供新方向。未來研究可進一步擴大樣本量，納入多中心數據，并探索影像組學特征與分子病理（如 β- 淀粉樣蛋白、tau 蛋白）的關聯，以深化對 MCI 發病機制的理解。
