利用双分支孪生网络在结构磁共振成像数据上识别认知性脑疾病

《Neuroscience》：Identification of cognitive brain diseases using a dual-branch siamese network on structural magnetic resonance imaging data

早期诊断阿尔茨海默病（AD）的关键在于优化治疗方法，传统方法如认知评估和PET扫描存在侵入性高、成本贵、普及性不足等问题。本研究提出双分支Siamese网络，整合subcortical segmentation和cortical parcellation的MRI数据，通过对比学习提升分类精度。在ADNI原始数据集上准确率达93%，独立测试集（ADNI4）达88.48%，并实现60%模型剪枝。相较于CNN和集成学习，本模型在多分类和二分类任务中均表现更优，兼具诊断精度与计算效率，为临床早期干预提供新工具。

　　

周文军|曲睿|罗伟成|张洪宇|龚亮

中国四川省成都市西南石油大学计算机科学与软件工程学院，邮编610500

摘要

阿尔茨海默病的早期诊断对于优化治疗效果至关重要，因为延迟发现往往会影响治疗效果。传统的诊断方法，如认知评估、正电子发射断层扫描（PET）和腰椎穿刺，通常具有侵入性、成本较高且不易获取。为了解决这些局限性，我们提出了一种双分支孪生网络（Dual-Branch Siamese Network），旨在利用结构性磁共振成像（structural MRI）数据提高阿尔茨海默病、轻度认知障碍（Mild Cognitive Impairment）和认知正常（Cognitively Normal）个体的分类准确性。我们的模型整合了皮下分割（Subcortical Segmentation）和皮质分割（Cortical Parcellation）的神经影像特征，利用它们的互补优势来提高诊断精度。实验评估表明，该模型在原始数据集上的分类准确率为93%。为了进一步验证模型的泛化能力，我们在新的ADNI4数据库中的独立测试集（N=191）上对模型进行了测试。在这个独立数据集中，模型的分类准确率为88.48%，显示出其在实际应用中的潜力。此外，通过实施网络剪枝（network pruning），我们在不牺牲准确性的前提下将模型复杂性降低了60%，从而提高了其临床使用的可行性。与其他方法（如卷积神经网络和集成学习系统）相比，我们的模型在多类分类任务中表现出更高的准确性，并且在二分类任务中仍然具有竞争力。值得注意的是，我们的剪枝模型在保持准确性的同时提高了效率，在计算可行性方面优于其他模型。这些发现突显了我们这种方法在促进阿尔茨海默病等神经退行性疾病的早期诊断和干预方面的潜力。

引言

阿尔茨海默病（AD）和轻度认知障碍（MCI）是严重影响认知功能的严重神经系统疾病，给社会和经济带来了巨大负担（Tahami Monfared等人，2022年）。早期和准确的诊断对于及时干预和管理至关重要。虽然传统的诊断方法，包括临床评估和神经影像学检查，是目前实践的基础，但它们的敏感性和特异性在认知衰退的早期阶段可能有限（Juganavar等人，2023年）。

近年来，利用结构性磁共振成像（sMRI）数据的许多机器学习和深度学习方法已被开发出来用于阿尔茨海默病、轻度认知障碍和认知正常个体的分类，并取得了显著的性能。然而，这一领域仍存在一些具体挑战。首先，早期MCI和AD的神经病理变化可能非常微妙且空间分布广泛，使用传统的独立处理每个受试者的分类器难以将其与正常衰老过程区分开来。其次，即使在同一诊断组内，大脑解剖结构也存在较大的个体间差异，这可能会干扰特征提取和分类（Aghdam等人，2025年）。第三，尽管sMRI提供了丰富的信息，但有效学习能够捕捉不同脑区之间复杂关系模式的判别特征仍然是一个未解决的研究问题。许多现有方法可能无法充分利用受试者之间的成对关系或特定特征集来增强对微妙病例的判别能力。

为了解决这些挑战，特别是提高对细微神经解剖差异的敏感性同时对个体间变异具有鲁棒性的需求，我们提出了一种新颖的双分支孪生网络。孪生网络天生适合从输入对中学习判别相似性度量（Bertinetto等人，2016年）。它们不是学习从输入到类别的直接映射，而是学习比较两个输入并确定它们的相似性或差异性。这使得它们在类内变异较大而类间差异较微妙的任务中特别有效，这在阿尔茨海默病/轻度认知障碍分类中很常见。我们提出的双分支架构旨在有效利用皮下分割和皮质分割数据的全面特征。通过训练网络区分不同受试者对，我们旨在学习更强大和细粒度的特征表示，从而突出疾病特有的改变。我们假设这种方法将提高分类准确性，特别是在区分MCI和CN以及AD方面，从而为临床应用提供更可靠的工具。

方法片段

机器学习方法

Salvatore等人（2015年）使用主成分分析（PCA）和费舍尔判别比（FDR）方法从全脑、灰质和白质图像中提取特征，并在结构性MRI上训练了一个支持向量机（SVM），对阿尔茨海默病（AD）、认知正常（CN）以及后来转化为AD的轻度认知障碍（MCIc）或保持稳定的个体（MCInc）进行了一系列成对分类。该模型在AD与CN之间的分类准确率为76%，MCIc与CN之间的分类准确率为72%，MCIc之间的分类准确率为66%

方法论

我们提出了一种新颖的双分支孪生网络模型，可以利用结构性MRI数据有效提高阿尔茨海默病（AD）、轻度认知障碍（MCI）和认知正常（CN）个体的分类准确性。整个方法论工作流程如图1所示。

数据集和评估指标

本研究使用的数据来自ADNI数据库（adni.loni.usc.edu）。ADNI项目始于2003年，是由首席研究员Michael W. Weiner博士领导的公私合作项目。ADNI的主要目标是评估是否可以通过连续的MRI、正电子发射断层扫描（PET）、各种生物标志物以及临床和神经心理学评估来跟踪MCI和早期AD的进展。

我们根据ADNI的数据集进行了选择

优势与局限性

本研究提出的双分支孪生网络模型在使用结构性MRI数据对阿尔茨海默病（AD）、轻度认知障碍（MCI）和认知正常（CN）个体进行分类时显示出显著的优势。该模型的一个关键优势是其高分类准确性，在我们的主要数据集上达到了93%的准确率。更重要的优势是其泛化能力。通过在ADNI4的完全独立测试集上测试该模型，我们获得了88.48%的稳健准确率。

结论

本文提出了一种新颖的双分支孪生网络，可以利用结构性MRI数据有效提高阿尔茨海默病（AD）、轻度认知障碍（MCI）和认知正常（CN）个体的分类准确性。通过整合皮下分割和皮质分割的特征，该模型利用了互补的信息，从而实现了高性能。所达到的93%的准确率超过了多种现有方法，表明了我们方法的稳健性。更重要的是，根据新的验证结果

CRediT作者贡献声明

周文军：撰写——审稿与编辑、监督、资源管理、方法论设计、概念构思。曲睿：撰写——初稿撰写、验证、方法论设计、研究实施、数据分析。罗伟成：方法论设计。张洪宇：监督、资源管理。龚亮：撰写——审稿与编辑、监督、资源管理。

伦理声明

本研究使用了来自阿尔茨海默病神经影像学计划（ADNI）数据库（adni.loni.usc.edu）的数据。ADNI项目于2003年启动，是由首席研究员Michael W. Weiner博士领导的公私合作项目。所有ADNI参与者在入组时都提供了书面知情同意书，且研究方案得到了所有参与机构的机构审查委员会（IRBs）的批准。

数据访问是通过ADNI数据档案获得的

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

阿尔茨海默病神经影像学计划（ADNI）的数据收集和共享由国家老龄化研究所（美国国立卫生研究院资助，资助编号U19AG024904）提供。受资助机构是北加州研究与教育研究所。过去，ADNI还获得了国家生物医学成像与生物工程研究所、加拿大卫生研究院以及私营部门的资助。