编辑推荐：
为解决当前单时间点结构 MRI（sMRI）分析方法无法充分捕捉神经病理特征时间演变和脑结构分层变化的问题，研究人员开展基于 MRI 细粒度和时空特征预测轻度认知障碍（MCI）进展的研究，提出 MME-TransENet 架构，提升了诊断精度，为跟踪神经退行性进展提供新方法。
在人口老龄化的大背景下，阿尔茨海默病（AD）的阴影愈发浓重。这是一种极为棘手的神经退行性疾病，全球超 5500 万人深受其害。患者不仅认知功能和行为能力逐渐退化，严重时还会失去自理能力，肢体瘫痪，甚至因肺部感染、全身衰竭等并发症危及生命。更让人无奈的是，AD 目前无法被彻底治愈，病情还会缓慢且不可逆地发展。因此，尽早发现并干预 AD，成为改善患者生活质量、减轻家庭和社会负担的关键。
轻度认知障碍（MCI）作为 AD 的前驱状态，对其早期诊断意义重大。MCI 又分为进展性 MCI（pMCI）和稳定型 MCI（sMCI），pMCI 患者在未来三年内极有可能迅速发展为 AD，而 sMCI 患者认知功能相对稳定。准确区分这两种类型的 MCI，是制定有效干预策略的基础。然而现有的诊断方法存在诸多不足，临床常用的病史询问、身体检查和神经心理测试，难以给出明确诊断。脑脊液（CSF）中 β- 淀粉样蛋白和 Tau 蛋白分析虽然能提供有价值的信息，但具有侵入性、费用高、操作复杂等缺点。结构磁共振成像（sMRI）作为一种非侵入性检查手段，在 AD 和 MCI 临床诊断中至关重要，不过医生单纯依靠肉眼观察 MRI 图像来诊断存在不少问题，图像中细微的变化难以捕捉，诊断结果也会受到医生经验的影响，而且缺乏纵向对比，无法很好地反映病情进展。同时，当前神经网络在医学图像分类领域虽发展迅速，但大多针对单时间点的 MRI 图像进行分析，难以体现特定脑区随时间的动态变化，传统神经网络卷积核固定的感受野也限制了其对复杂医学图像丰富病理特征的提取。鉴于此，为了填补这些研究空白，来自未知研究机构的研究人员开展了一项基于 MRI 细粒度和时空特征预测 MCI 进展的研究，该研究成果发表在《Biomedical Signal Processing and Control》上。
研究人员提出了一种基于 Transformer 的深度学习框架 MME-TransENet，主要运用了以下关键技术方法：利用阿尔茨海默病神经影像学倡议（ADNI）1/GO/2/3 阶段的纵向 MRI 数据集，根据 DSM-5 标准选取 pMCI 和 sMCI 两个亚组进行研究；设计了一种融合 EfficientNet 和 Transformer 部分设计理念的特征提取网络，通过改进 EfficientNet 网络结构并融入全局上下文注意力机制，增强 Eff-GCNet 网络结构，以更好地从 MRI 图像中提取丰富细节信息；采用多尺度时空注意力机制，优化脑图像关键区域细粒度特征的学习。
基于 MME-TransENet 的特征提取与预测
研究人员构建的 MME-TransENet 架构整合了双时间点的纵向 sMRI 数据，并融入了三个新组件。其中，EFF-GCNet 用于局部特征提取，能够捕捉全局依赖关系；多尺度注意力机制对时空特征交互进行建模；自适应融合细粒度病理特征。这一架构模拟了医生从整体到细节的诊断过程，有助于更精准地分析 MRI 图像中的细微变化。
模型性能评估
在 ADNI 数据集上对 MME-TransENet 进行评估，结果令人惊喜。该模型达到了当前最先进的性能水平，准确率高达 84.74%，受试者工作特征曲线下面积（AUC）为 0.8587，超越了现有的其他方法。这表明 MME-TransENet 在预测 MCI 进展方面具有出色的能力，能够为临床诊断提供更可靠的依据。
模型可视化分析
通过 Grad-CAM 技术对模型进行可视化分析，发现 MME-TransENet 能够聚焦于临床上关键的脑区，并且展示出其学习生物标志物时空模式的能力。这意味着模型在分析 MRI 图像时，能够关注到与 MCI 诊断相关的重要区域，为理解模型的决策过程提供了直观依据。
研究结果表明，MME-TransENet 在预测 MCI 进展方面展现出优异的性能，通过纵向特征学习和多尺度集成，显著提高了 MCI 的诊断精度。这一研究成果为跟踪神经退行性疾病进展提供了一种可靠的方法，有助于临床医生更早地发现 AD 的潜在风险，及时制定干预措施，从而延缓疾病进展，改善患者的生活质量。同时，该研究也为后续在神经影像学领域利用深度学习技术进行疾病诊断和预测的研究提供了重要参考，推动了相关领域的进一步发展。不过，研究也存在一定局限性，例如数据集可能存在地域、种族等方面的局限性，未来研究可以进一步扩大样本范围，优化模型性能，使其更好地应用于临床实践。
