基于深度学习的海马体自动分割技术，用于识别早期轻度认知障碍的磁共振成像生物标志物

《Neuroscience》：Hippocampal auto-segmentation based on deep learning for identifying magnetic resonance imaging biomarkers of early mild cognitive impairment

海马体自动分割结合radiomic特征提取和XGBoost模型可高效区分轻度认知障碍患者与正常人群，AUC达0.864，处理时间≤8分钟/例，具有非侵入性和临床适用性优势。

　　

胡世军|马邦成|郑晓|马宝祥|夏晓峰

中国温州第七人民医院放射科

摘要

目的

本研究基于深度学习开发了一种预测模型，用于海马结构的自动分割，并结合了放射组学特征提取，同时构建了多种机器学习诊断模型以辅助轻度认知障碍（MCI）的检测。

方法

共有150名受试者被随机分为训练集和验证集，比例为7:3。使用基于卷积神经网络（CNN）的新型深度学习模型对3D T1WI图像中的海马结构进行自动分割。从每位受试者的双侧海马中系统地提取了1183个放射组学特征。在训练集上训练了四种独立的机器学习（ML）分类器，包括逻辑回归（LR）、支持向量机（SVM）、随机森林（RF）和XGBoost算法，并通过5折交叉验证在测试集上进行验证。

结果

对多种ML分类器进行综合评估后，发现XGBoost算法在区分正常对照组和MCI方面表现最佳（AUC = 0.935，95%置信区间：0.83–0.97）。利用选定的7个特征，XGBoost模型在测试集上获得了最高的AUC（AUC = 0.864，95%置信区间：0.73–0.89）。在XGBoost模型中，glszm_ZoneVariance特征具有最高的预测权重。对于MCI患者，当阈值概率分别为0.18和0.17时，观察到最佳的网络效益。

结论

结合深度学习进行海马自动分割的预测模型，以及整合到XGBoost框架中的放射组学特征，可能为MCI的诊断提供一种有前景的生物标志物。

引言

随着全球人口老龄化加速，阿尔茨海默病（AD）已成为全球最严重的公共卫生挑战之一（Chowdhary等人，2021年）。2019年全球有5700万人受到AD的影响（Wang等人，2025年）。在疾病初期，AD表现为记忆缺陷、语言障碍、视觉空间能力下降、执行功能减退以及人格和行为改变。AD的发展是一个持续的过程，轻度认知障碍（MCI）被认为是AD的临床前表现（Wang等人，2024年）。因此，早期诊断在患者分层和临床试验中起着关键作用，因为它为治疗干预提供了关键时机。及时准确的诊断有可能显著改变疾病进程，可能减缓其进展并提高患者的生活质量。

目前AD的诊断主要依赖于临床症状评估，尽管强有力的临床证据表明正电子发射断层扫描（PET）成像和脑脊液生物标志物分析具有出色的诊断能力。然而，这些工具的临床应用受到侵入性和高成本的限制（Mu等人，2024年）。磁共振成像（MR）作为一种关键的神经影像学方法，具有非侵入性、无电离辐射和优越的空间分辨率等优势，使其在神经系统疾病的诊断和分期中得到广泛应用（Karlsson等人，2025年）。大量研究（Khatri和Kwon，2022年；Yin等人，2024年；Zarei等人，2024年；Zhao等人，2024年）表明，由于海马区在认知功能中的关键作用及其明确的解剖结构，它提供了更精确和可靠的成像生物标志物，使其成为AD放射组学研究中最常选择的感兴趣区域（ROI）。先前的研究（Alex等人，2025年；Hu等人，2025年；Zhao等人，2022年）显示海马与AD密切相关，但传统的磁共振成像（MRI）主要依赖于放射科医生的视觉评估或报告，这一过程主要关注宏观指标而忽视了微观结构特征。最近的研究通过放射组学和深度学习技术揭示了AD神经影像学的重大进展。Givian等人（Givian和Calbimonte，2025年）证明，海马放射组学模型可以通过从MRI扫描中分割和提取放射组学特征来准确区分轻度认知障碍和健康对照组。大多数这类研究（Leandrou等人，2023年；Yin等人，2024年）使用手动方法分割脑区并提取相关参数，这非常耗时，每位患者大约需要4小时，这些限制极大地阻碍了其临床应用。在本研究中，我们基于深度学习开发了一种用于海马结构自动分割的预测模型，并结合了放射组学特征提取，同时构建了多种机器学习诊断模型，以快速区分MCI和正常认知功能。

研究参与者

本研究于2020年5月至2024年6月在温州第七人民医院进行。所有参与者均接受了标准化的脑部MRI扫描，并完成了北京版的蒙特利尔认知评估（MoCA）和简易精神状态检查（MMSE）。根据他们的MoCA和MMSE得分，收集了所有参与者的性别、年龄和教育水平等人口统计信息。MMSE的cut-off分数根据教育背景定义：≤19表示没有受过正规教育。

基线时的参与者特征

研究队列包括150名参与者，其中105名患有轻度认知障碍（MCI），45名年龄和性别匹配的对照组受试者。研究人群的人口统计特征见表1。比较分析显示，两组在关键人口统计变量（包括年龄、性别分布、体重指数（BMI）、MoCA得分和教育程度）方面没有统计学上的显著差异。这些结果表明基线情况较为均衡。

讨论

结合深度学习进行海马自动分割的预测模型，以及整合到XGBoost框架中的放射组学特征，可能为临床应用提供一种有前景的生物标志物。首先，我们强调了该模型的临床优势：非侵入性（与常规MRI检查一致）、处理时间短（每个案例≤8分钟）以及与主流MRI扫描仪的兼容性（通过自动分割），这些都有助于降低医院采用该模型的障碍。

临床试验编号

不适用。

出版同意

不适用。

作者贡献

HSJ构思了研究并撰写了手稿初稿，MBC负责方法学设计和数据收集，ZX负责数据分析和软件处理，MBX负责数据验证和图表可视化，XXF对稿件进行了重要修订。所有作者均审阅并批准了手稿。

数据可用性

数据在手稿或补充信息文件中提供。

CRediT作者贡献声明

胡世军：方法学设计、概念构思。马邦成：正式数据分析、数据管理。郑晓：软件开发、资源协调、正式数据分析。马宝祥：写作-审稿与编辑、可视化、验证。夏晓峰：写作-审稿与编辑。

伦理批准和参与同意

本研究已获得温州第七人民医院医学伦理委员会的批准（EC-KY-2024008），并遵循赫尔辛基宣言进行。由于研究的回顾性性质，参与者无需签署书面知情同意书。

资助

本研究得到了温州基本公共福利研究项目：人工智能MRI脑分割技术与功能成像在轻度认知障碍早期诊断中的应用研究（Y20240867）的支持。

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的研究结果。

致谢

不适用。