European Radiology：海马体实现阿尔茨海默病的个性化评估

阿尔茨海默病（AD）是老年人痴呆症最普遍的原因，是一种不可逆的神经退行性疾病，以进行性认知障碍和功能退化为特征。轻度认知障碍（MCI）通常被认为是AD的前驱阶段，对临床前AD和MCI的干预是延缓认知能力下降和AD病理进展的最有效途径。因此，建立能够准确识别AD临床前或早期个体的临床指标对临床干预和精准医疗尤为重要。

海马的特征可以作为AD的最重要标志之一。以前的研究已经实现了根据海马的形状或纹理特征区分AD和正常对照组（NCs）的高精确度。众所周知，海马是一个支持空间信息整合和记忆编码的复杂系统。然而，单层次的特征，如灰质体积不足以实现这一效果。这也解释了为什么许多研究转向通过可解释的深度学习来描述整个大脑的特征。值得注意的是，深度学习模型会受到计算成本的影响。因此，在深度学习的基础上建立一个性能良好的AD神经影像指标并对海马的特征组合进行全面的描述是值得期待的。

海马的异常模式可以从不同的角度揭示出来。例如，直接表征海马萎缩严重程度的灰质体积是最可靠的AD生物标志物之一。概率矩阵是由多图谱海马分割方法产生的概率分割图，每个值是相应体素属于海马的概率，也被验证为有希望预测AD进展的影像学指标。海马放射组学特征也被证明是令人鼓舞的AD影像学标志物，包括强度、形状和纹理特征。

近日，发表在European Radiology杂志的一项研究验证了海马特征组合的综合特征用于区分AD和NC方面的能力及价值。

本项研究采用四个独立数据库中的3238名参与者的结构性核磁共振成像进行了三维剩余注意力网络（3DRA-Net）建立，并对NC、轻度认知障碍（MCI）和AD进行分类。在数据库间交叉验证的情况下，其概括性得到了验证。作为神经影像生物标志物的分类决策得分的神经生物学基础，通过与临床资料的联系以及纵向轨迹分析系统地研究了AD的进展情况。所有的图像分析只在T1加权MRI的单一模式下进行。 

本项研究显示，在阿尔茨海默病神经影像倡议队列中，海马特征的综合描述在区分AD（n = 282）和NC（n = 603）方面表现突出（ACC = 91.6%，AUC = 0.95），在外部验证中ACC = 89.2%，AUC = 0.93。更重要的是，构建的分数与临床资料显著相关（P < 0.05），并在AD纵向发展中动态变化，为坚实的神经生物学基础提供了有力的证据。 

 图 ADNI队列中组别差异的统计分析结果。a NC组、sMCI组、pMCI组和AD组受试者的决策得分。b NC组、MCI组和AD组受试者是否有APOE ε4+的决策得分

本项研究表明，对海马特征的全面表征可为AD的早期检测提供了一个个性化、可推广且生物学上合理的神经影像指标，为临床的早期治疗及干预提供了参考依据。

原文出处：

Yiyu Zhang,Hongming Li,Qiang Zheng.A comprehensive characterization of hippocampal feature ensemble serves as individualized brain signature for Alzheimer's disease: deep learning analysis in 3238 participants worldwide.

DOI:10.1007/s00330-023-09519-x