阿尔茨海默病中认知状态与脑结构变化的关联：轻量级深度学习辅助诊断的临床意义Association between cognitive status and structural brain changes in Alzheimer’s disease: Clinical implication of lightweight deep learning-aided diagnosis - ScienceDirect

摘要

背景

阿尔茨海默病(AD)发展过程中涉及的复杂脑部变化构成了一个高维非线性特征空间，在此空间中，深度学习(DL)分类/诊断可能优于传统非学习方法。然而，由于许多模型计算成本高且缺乏明确的可解释性，医疗专业人员对深度学习的实用性仍存争议。本研究旨在构建一个轻量级深度学习模型，以揭示阿尔茨海默病中认知状态与脑结构变化之间的关联。

方法

通过使用从阿尔茨海默病神经影像计划数据库获得的数据，本研究纳入了418名阿尔茨海默病患者和418名年龄匹配的认知正常(CN)受试者，基于他们在基线访问时的T1加权磁共振图像进行深度学习模型构建。通过结合分组卷积、全局池化和高效通道注意力，实现了轻量级设计。

结果

我们模型的准确率达到90.6%，与之前使用多达十倍参数构建的模型相比具有竞争力。遮挡图显示，内侧颞叶区域和丘脑对我们模型区分阿尔茨海默病和认知正常受试者的贡献最大，这与当前对病理轨迹的认识一致。层次回归进一步揭示，深度学习模型输出的logit解释了简易精神状态检查(MMSE)分数中显著的变异量，超过了包括年龄、性别和教育年限在内的临床指标(R²变化 = 0.341, F(1, 91) = 57.623, p < 0.001)。

结论

轻量级深度学习可以通过关注具有病理可解释性的结构变化并提供基于图像的认知状态评估，在阿尔茨海默病诊断中实现临床实用性。

关键词

阿尔茨海默病、深度学习、痴呆、磁共振成像

【全文结束】