编辑推荐：
为解决阿尔茨海默病（AD）早期诊断难题，研究人员开展基于多模态 MRI 的大脑年龄预测研究。构建多模态图神经网络模型，发现其在大脑年龄预测和疾病分类上表现优异，还明确相关脑区和基因关联，助力 AD 早期诊断与治疗。
在人口老龄化加剧的当下，阿尔茨海默病（AD）成为严重威胁老年人健康的 “沉默杀手”。这是一种渐进性神经退行性疾病，晚期常伴有危及生命的并发症。随着病情发展，患者大脑中 β- 淀粉样蛋白（Aβ）异常积累，神经纤维缠结形成，进而导致神经元功能紊乱，出现记忆丧失、语言障碍、空间定向障碍等认知问题，严重影响生活质量，也给家庭和社会带来沉重的经济负担。
目前，虽然已经有一些生物标志物用于 AD 的早期诊断，比如淀粉样蛋白 PET 扫描、tau 成像、脑脊液（CSF）标志物等，但这些方法存在侵入性、费用高昂、可及性差等缺点。相比之下，基于神经影像数据的大脑年龄预测作为一种非侵入性手段，展现出早期检测 AD 的潜力。大脑年龄预测依据大脑的结构和功能特征，有望在认知功能显著下降前识别出高风险个体，不仅有助于理解大脑衰老过程，还能用于监测疾病进展和评估治疗效果。
然而，当前的诊断实践仍过度依赖主观临床评估。而且，现有的大脑年龄预测方法大多使用单模态结构磁共振成像（sMRI），忽视了早期功能连接中断提供的补充信息。此外，患病样本数量有限，阻碍了强大分类模型的开发。为了攻克这些难题，来自国内的研究人员开展了一项基于多模态 MRI 的深度学习研究，相关成果发表在《Biomedical Signal Processing and Control》上。
研究人员采用的关键技术方法主要有：数据来源于阿尔茨海默病神经影像倡议（ADNI）数据库，包含 1006 名受试者的 sMRI 和静息态功能磁共振成像（rs-fMRI）数据 。构建基于自动编码器结构的多模态图神经网络模型，将 sMRI 和 rs-fMRI 数据构建成图数据，训练双分支图神经网络（GNN）进行特征提取；通过十折交叉验证评估模型性能。此外，还将模型改进为三分支分类模型，融入非图像信息分支；利用注意力地图突出与 AD 显著相关的脑区；运用偏最小二乘法（PLS）和基因本体（GO）富集分析进行基因表达分析。
下面来看具体的研究结果：
- 多模态大脑年龄预测结果：对 ADNI 数据集中健康对照（HC）数据进行深入分析，采用十折交叉验证，90% 数据用于训练，10% 用于测试，重复十次。结果显示，该模型结合功能和结构连接，在大脑年龄预测方面表现出色。这表明模型能够有效提取和整合大脑的结构与功能特征，提升预测的准确性。
- 疾病分类结果：基于迁移学习的三分支模型在疾病分类任务中表现卓越，能够有效融合非成像和 MRI 信息，优于其他方法。这一成果为 AD 的临床诊断提供了更可靠的工具，有助于区分不同 AD 阶段。
- 基因表达分析结果：通过 PLS 方法和 GO 富集分析，研究人员证实了杏仁核、海马旁回、CDH23 基因、DNA 损伤与 AD 之间存在密切联系。这揭示了 AD 相关的潜在分子机制，为寻找新的生物标志物和治疗靶点提供了方向。
在研究结论和讨论部分，该研究构建的多模态大脑年龄预测模型具有创新性，整合了多种成像模态、表型和遗传信息，为 AD 的诊断和预后开辟了新途径。基于自动编码器结构的 GNN 模型平均绝对误差（MAE）达到 3.93，是检测大脑加速衰老的有效工具。而且，三分支模型在疾病分类上的优势，有助于临床医生更准确地判断病情。此外，基因表达分析发现的相关联系，为进一步理解 AD 的发病机制提供了理论依据，有望推动未来 AD 分类和治疗干预的发展。
综上所述，这项研究为 AD 的早期诊断和治疗提供了一个多模态、可解释且结合基因信息的大脑年龄预测框架，在 AD 研究领域具有重要的理论和实践意义，为后续相关研究奠定了坚实基础。
