医学成像一直是监测生物随时间变化的重要工具。从跟踪胚胎发育到评估伤口愈合和脑老化，纵向成像帮助研究人员和临床医生检测关键变化和疾病进展。传统的图像分析方法依赖于手动预处理、分割和统计建模，但这些方法通常劳动密集且容易出现不一致。
最近由Heejong Kim, Batuhan K. Karaman, Qingyu Zhao, Alan Q. Wang, 和 Mert R. Sabuncu 发表在《PNAS (2025)》上的一项研究题为“基于学习的纵向图像变化推断：在胚胎发育、伤口愈合和脑老化中的应用”，介绍了一种新的机器学习框架，称为LILAC（Learning-based Inference of Longitudinal imAge Changes）。这个深度学习模型可以自动检测医学成像中的有意义的时间变化，消除了大量手动处理的需要。通过使用Siamese架构中的卷积神经网络（CNNs），LILAC能够有效跟踪、量化和定位生物结构随时间的显著变化。
用AI推进纵向图像分析
纵向成像提供了对进行性生物过程（如肿瘤生长、神经退行或伤口愈合）的见解。传统分析方法需要定制的管道来消除噪声并提取有意义的特征，但这些方法严重依赖用户定义的变量和预定义的兴趣区域，限制了其灵活性并可能引入偏差。
LILAC提供了一种替代方案，通过直接分析图像对，学习它们之间的差异，而无需预定义假设。它有三种主要模式：
- LILAC-o（排序模式）：预测序列中两个图像的正确时间顺序。
- LILAC-t（时间间隔预测模式）：估计两个图像之间的时间差。
- LILAC-s（临床评分预测模式）：预测临床指标的变化，例如阿尔茨海默病患者的认知衰退。
该模型设计用于忽略无关变化，专注于最有意义的变化，使其比传统的基于分割的方法更稳健。研究表明，LILAC在多种医学应用中都表现出了有效性，从跟踪胚胎发育到分析脑老化模式。
实际应用：从胚胎发育到脑老化
研究将LILAC应用于四个不同的医学成像数据集：胚胎发育、伤口愈合、健康脑老化和轻度认知障碍（MCI）。每个数据集都提出了独特的挑战，但LILAC在检测和量化时间变化方面始终优于传统方法。
对于胚胎发育，研究人员训练LILAC-o确定胚胎时间延时数据集中图像的正确顺序。该模型达到了98.9%的准确率，成功识别出细胞分裂阶段的细微变化。Grad-CAM可视化技术进一步揭示了LILAC如何识别胚胎生长的关键区域。
在伤口愈合中，LILAC-o分析了细胞迁移的时间延时图像，与实际愈合时间的皮尔逊相关系数为0.875。该模型有效地区分了治疗和未治疗的伤口，展示了其跟踪治疗效果的能力。
对于脑老化，LILAC-t用于预测健康老化受试者的MRI扫描之间的时间间隔。该模型达到了1.825年的RMSE，显著优于单图像回归模型。它还揭示了个别化的老化模式，突出了不同个体间脑结构变化的变异性。
在轻度认知障碍（MCI）中，LILAC-s用于预测痴呆评定量表总分（CDRSB）的变化。该模型有效地分离了年龄相关变化和神经退行，允许更精确地跟踪阿尔茨海默病的进展。LILAC生成的热图显示了不同患者脑退化模式的不同，强调了神经退行性疾病的异质性。
AI驱动的纵向成像面临的挑战和未来方向
尽管性能强劲，LILAC仍面临需要在未来研究中解决的挑战。一个限制是数据依赖性——虽然该模型能有效地从纵向图像对中学习，但其准确性取决于训练数据的质量和数量。在数据集有限或存在偏差的情况下，模型的泛化能力可能会受到影响。
另一个挑战是模型的可解释性。尽管LILAC改进了传统的基于分割的方法，但其深度学习架构在某种程度上仍然是一个黑盒。研究利用Grad-CAM可视化技术突出关键区域，但还需要进一步研究以提高医学成像中AI的可解释性。
计算效率也是一个问题。LILAC依赖于基于CNN的Siamese架构，这需要大量的处理能力。未来的发展可以探索基于Transformer的模型或自监督学习技术，以提高效率和可扩展性。
AI在纵向医学成像中的未来
LILAC的引入代表了AI驱动的纵向图像分析的重大飞跃。通过消除手动预处理和手工特征提取的需要，LILAC使跟踪疾病进展、评估治疗效果和研究生物发展变得更加容易。
展望未来，像LILAC这样的AI驱动模型有可能彻底改变临床决策，使医生能够更有效地检测疾病的早期迹象并监测治疗反应。研究表明，这种模型在癌症监测、再生医学和精准神经学中有潜在应用，其中检测小而有意义的变化至关重要。
最终，深度学习正在重塑医学成像的分析方式，为研究时间生物过程提供了更准确、高效和可扩展的解决方案。随着AI的不断演进，像LILAC这样的工具将在推动个性化医疗和改善全球患者结果方面发挥关键作用。
(全文结束)
