深度学习CNN与传统VBM海马体分割方法在阿尔茨海默病早期诊断中的跨人群比较研究

《Scientific Reports》：Comparing deep learning CNN method with traditional MRI-based hippocampal segmentation and volumetry for early Alzheimer’s disease diagnosis across diverse populations

本研究针对阿尔茨海默病（AD）早期诊断中海马体体积测量方法存在耗时、易错及人群普适性不足的问题，研究人员通过比较深度学习CNN算法HippoDeep与传统基于体素的形态测量学（VBM）方法，发现HippoDeep在跨人群（高加索与东南亚）数据集上展现出更优的诊断性能（AUC左海马体0.918 vs 0.721），且与MMSE评分相关性更强（r=0.63 vs 0.42），为AD早期筛查提供了准确、可重复的自动化工具。

　　

随着全球人口老龄化进程加速，阿尔茨海默病（Alzheimer's Disease, AD）已成为困扰数百万家庭的神经退行性疾病。特别是在东南亚地区，由于老年人口比例持续上升，AD的患病率呈现快速增长趋势。据统计，马来西亚约有26万人罹患AD，预计到2050年将增至59万人。更令人担忧的是，AD的早期诊断一直面临巨大挑战——当患者出现明显认知障碍症状时，大脑往往已经发生了不可逆的损伤。

海马体作为大脑中负责记忆形成的关键区域，其萎缩程度被认为是AD早期诊断的重要生物标志物。然而，在正常的衰老过程中，海马体体积也会以每年1-2%的速度逐渐缩小，这与AD患者每年3-5%的快速萎缩形成了鲜明对比。如何准确区分正常老化与病理性萎缩，成为临床诊断的关键难点。

目前，结构磁共振成像（structural Magnetic Resonance Imaging, sMRI）是观察海马体变化的主要工具，但传统的海马体体积测量方法存在明显局限性。基于体素的形态测量学（Voxel-Based Morphometry, VBM）作为半自动化分析方法，不仅耗时较长，而且对图像预处理参数敏感，不同操作者之间结果差异较大，限制了其在临床中的广泛应用。

为了解决这些问题，由Nur Shahidatul Nabila Ibrahim领导的研究团队在《Scientific Reports》上发表了一项创新性研究，比较了深度学习卷积神经网络（Convolutional Neural Network, CNN）方法与传统VBM在海马体分割和体积测量中的性能，并评估了这两种方法在不同人群（高加索和东南亚）中诊断早期AD的准确性和普适性。

关键技术方法

本研究采用病例对照设计，纳入了来自阿尔茨海默病神经影像倡议（Alzheimer's Disease Neuroimaging Initiative, ADNI）数据库的100名AD患者和100名健康对照（Healthy Control, HC）的高加索人群数据，以及马来西亚基础研究资助计划（Fundamental Research Grant Scheme, FRGS）项目的40名AD患者和40名HC的东南亚人群数据。研究人员使用HippoDeep这一基于CNN的开源算法进行海马体自动分割，同时采用SPM Matlab中的VBM方法进行传统海马体体积测量。通过受试者工作特征（Receiver Operating Characteristic, ROC）曲线分析比较两种方法的诊断准确性，并利用Spearman相关分析评估海马体体积与简易精神状态检查（Mini-Mental State Examination, MMSE）评分之间的相关性。

研究结果

人口统计学和神经心理学特征

研究结果显示，在高加索数据集中，AD组和HC组的平均年龄分别为77.53岁和78.23岁，两组的MMSE评分存在显著差异（AD组：8.23±4.390 vs HC组：28.52±1.867，p<0.001）。在东南亚数据集中，AD组的平均年龄为73.40±7.99岁，显著高于HC组的68.6±6.56岁（p<0.001），MMSE评分同样表现出显著差异（AD组：15.42±6.82 vs HC组：27.32±2.69，p<0.001）。这些数据证实了两个数据集中AD患者均存在明显的认知功能障碍。

海马体体积的年龄相关性变化

通过散点图分析海马体体积随年龄的变化趋势，研究发现无论是高加索人群还是东南亚人群，AD患者的左右海马体体积均显著小于同年龄段的HC组。值得注意的是，高加索人群AD患者的绝对海马体体积大于东南亚人群，但东南亚人群AD患者的年龄相关性萎缩速率较慢。跨队列比较显示，海马体萎缩趋势在高加索和东南亚人群间保持一致，表明模型具有良好的泛化能力。

诊断准确性比较

ROC曲线分析显示，HippoDeep在高加索数据集中的诊断性能显著优于VBM。对于左海马体，HippoDeep的曲线下面积（Area Under the Curve, AUC）为0.918，灵敏度为83%，特异度为89%；而VBM的AUC仅为0.721，灵敏度为48%，特异度为94%。在东南亚数据集中，HippoDeep同样表现更优（左海马体AUC=0.685 vs VBM的AUC=0.619）。研究还确定了人群特异性的海马体体积临界值：高加索人群左海马体≤2.31 mL，右海马体≤2.26 mL；东南亚人群左海马体≤2.71 mL，右海马体≤2.56 mL。

与认知功能的相关性

HippoDeep测得的左海马体体积与MMSE评分呈现强相关性（r=0.65，p<0.001），显著高于VBM的相关性（r=0.41，p<0.05）。这一结果进一步支持了HippoDeep在评估认知功能下降和疾病进展方面的临床价值。

结论与意义

本研究证实了基于深度学习的HippoDeep算法在海马体分割和体积测量方面优于传统VBM方法，具有更高的诊断准确性、更好的可重复性和更强的人群普适性。特别是在资源有限的临床环境中，HippoDeep的简化工作流程、快速处理速度和较低的计算需求使其更具应用潜力。

该研究的创新之处在于首次全面评估了HippoDeep在东南亚AD患者中的性能，并建立了不同人群的特异性海马体体积临界值，为跨文化、跨种族的AD早期诊断提供了重要参考。海马体体积与MMSE评分的强相关性表明，将自动化神经影像工具与认知评估相结合，可以显著提高AD的诊断准确性和疾病进展监测能力。

尽管存在样本量相对较小、数据来源多中心等限制，但本研究为深度学习在神经影像分析中的临床应用提供了有力证据。未来研究应扩大样本量，特别是在亚洲多民族人群中进行验证，以进一步完善人群特异性诊断标准，推动AI辅助诊断工具在AD早期筛查中的广泛应用。