编辑推荐：
为解决 ALS 早期诊断难题，研究人员开发 Miniset-DenseSENet 模型，能精准区分相关人群，助力临床决策。
# 深度学习助力肌萎缩侧索硬化症诊断新突破
在神经疾病的领域中，肌萎缩侧索硬化症（Amyotrophic lateral sclerosis，ALS）是一种极为致命的疾病，如同隐藏在人体神经系统中的 “定时炸弹” 。它不仅会无情地侵蚀患者的运动神经元，使患者逐渐失去自主运动能力，最终因呼吸衰竭而离世，而且还常常伴随着认知能力的下降。更为棘手的是，ALS 的发病十分隐匿，由于散发性 ALS 的复杂性和缺乏明确的高危人群，从患者出现症状到最终确诊，平均需要 14 个月的漫长时间。随着全球人口老龄化的加剧，据 ALS 治疗发展研究所预测，到 2040 年，全球 ALS 病例将从 2015 年的 222,801 例激增至 376,674 例，这一数字的增长令人担忧。
面对如此严峻的形势，如何实现 ALS 的早期诊断和精准分层，成为了医学领域亟待攻克的难题。为此，来自英国赫瑞瓦特大学（Heriot-Watt University）和阿伯丁大学（University of Aberdeen）的研究人员展开了一项极具意义的研究。他们的研究成果发表在《Scientific Reports》上，为 ALS 的诊断和治疗带来了新的曙光。
研究人员在此次研究中运用了多种关键技术方法。首先，他们获取了阿伯丁大学 Gregory 实验室提供的 190 张尸检大脑图像作为研究样本。这些样本被分为三组，包括 60 张患有 TDP-43 病理且有认知障碍（ALS - 额颞叶痴呆，ALS-frontotemporal dementia，ALS-FTD）的患者图像、60 张患有 TDP-43 病理但无认知障碍的患者图像以及 70 张无 ALS 个体的图像。在实验过程中，他们采用免疫组化技术对大脑组织图像进行处理，以便精确地对 TDP-43 病理进行染色和可视化。为了构建并训练模型，研究人员选用了 DenseNet121 卷积神经网络，并将其与挤压激励（Squeeze-and-Excitation，SE）注意力机制相结合，开发出了 Miniset-DenseSENet 模型。同时，他们还运用了数据增强、迁移学习等技术，并以准确率、马修斯相关系数（Matthews correlation coefficient，MCC）、灵敏度和特异性等指标对模型性能进行评估，此外，利用 Grad-CAM 技术对模型分类结果进行可视化分析。
下面来看看具体的研究结果：
- 原始图像质量分析：通过对数据集图像的对比度、亮度、信噪比（Signal-to-noise ratio，SNR）和拉普拉斯方差等指标进行分析，发现图像质量整体较为合适，亮度和对比度相对集中，信号质量较为平衡，虽然图像清晰度存在一定差异，但没有极端异常值，这为后续的数据增强和深度学习训练提供了可靠的基础。
- 不同模型的性能评估：研究人员对 Miniset-DenseSENet 模型和其他四个模型（ResNet18、DenseNet121、ResNet18+SE、ResNet18+CBAM）进行了详细的训练和评估。结果显示，所有迁移学习模型的准确率都显著优于传统卷积神经网络（Convolutional neural network，CNN）方法。其中，集成了 SE 模块的 DenseNet 模型表现尤为突出，准确率始终超过 90%，最佳性能达到 97.37%。在其他评估指标方面，Miniset-DenseSENet 模型同样表现出色，其平均灵敏度约为 80%，特异性约为 93%，在多个模型中展现出最优越的结果。此外，研究还发现，模型的计算复杂度（以 FLOPs 衡量）与准确率之间并非简单的线性关系，表明增加计算资源并不能必然带来性能的提升 。
- Grad-CAM 分析正确和错误案例：利用 Grad-CAM 技术对 Miniset-DenseSENet 训练模型的分类原理进行可视化分析。结果显示，模型能够沿着对角线正确识别图像，而在其他位置出现误分类。通过热图的分布，可以清晰地看到模型在识别不同类别图像时关注的区域，这有助于深入理解模型的决策过程和对不同大脑区域特征的识别能力。
研究人员在讨论与分析中指出，此次研究未采用如颜色去噪、亮度调整等数据增强方法，是为了保护 ALS 患者尸检大脑图像中关键生物标志物的完整性。因为在神经退行性疾病研究中，过度处理图像特征可能会引入偏差，导致模型关注无关或非特异性区域，从而偏离与疾病真正相关的特征。在这项研究中，迁移学习和注意力机制等先进技术的集成，相较于传统 CNN 训练方法，显著提升了模型性能。其中，Miniset-DenseSENet 模型的优势明显，它通过 SE 模块在密集层中选择性地放大关键输入特征，即使在小数据集的情况下，也能提高模型的泛化能力。同时，该模型能够基于 TDP-43 病理对 ALS、ALS-FTD 和健康对照进行分类，这对于理解 ALS 的异质性及其与额颞叶痴呆的重叠关系具有重要意义，为改善患者分层和制定个性化治疗策略提供了有力的框架。
然而，这项研究也存在一定的局限性。目前模型训练数据仅来源于尸检大脑图像，无法直接应用于活体患者的诊断，限制了其临床应用。而且当前数据集规模有限，可能影响模型的稳定性。未来的研究需要在活体患者的神经影像数据（如 MRI 或 PET 扫描数据）上对模型进行验证和优化，并扩大数据集规模，以进一步提升模型的性能和临床实用性。尽管如此，该研究为 ALS 的诊断和治疗开辟了新的方向，随着研究的不断深入，有望为 ALS 患者带来更多的希望。
