基于深度可分离压缩激励网络的阿尔茨海默病分期分层表征学习研究

《Journal of Medical Imaging and Interventional Radiology》：Pathological features can be learned through hierarchical representation modeling for Alzheimer’s disease staging

　　本研究针对阿尔茨海默病（AD）连续病理特征的精准分期难题，开发了一种分层表征建模框架DWSENet。该研究通过44,000张增强MRI图像验证了模型在四分类任务中的卓越性能，各类别精确度达0.978-0.997，马修斯相关系数（MCC）为0.982。该技术为AD早期干预提供了可靠的计算机辅助诊断（CAD）工具。

　　

随着全球人口老龄化进程加速，阿尔茨海默病（Alzheimer's Disease, AD）已成为困扰现代社会的主要神经退行性疾病。这种疾病以进行性神经元丧失为特征，导致患者出现记忆障碍、认知功能下降，最终丧失生活自理能力。传统诊断方法主要依赖临床评估和神经影像学检查，但疾病确诊往往需要通过尸检，这些方法不仅耗时较长，对早期病变的敏感度也有限。因此，开发能够精准区分从正常认知到痴呆连续谱系的自动分期技术，对于早期干预、患者护理规划以及疾病修饰疗法的评估具有重大意义。

在《Journal of Medical Imaging and Interventional Radiology》最新发表的研究中，Aryan Kalluvila、Lirong Yan和James Carr团队提出了一种名为深度可分离压缩激励网络（DWSENet）的新型分层表征建模框架。该研究创新性地将深度可分离卷积与压缩激励（Squeeze-and-Excitation, SE）模块相结合，旨在从结构性磁共振成像（MRI）数据中自动学习病理特征，实现四个临床相关阶段的精准分类：非痴呆（Non-Demented）、极轻度痴呆（Very Mild Demented）、轻度痴呆（Mild Demented）和中度痴呆（Moderately Demented）。

从神经病理学角度看，AD的典型特征包括细胞外β-淀粉样蛋白斑块和细胞内过度磷酸化tau蛋白组成的神经原纤维缠结。这些病理特征在疾病连续谱系中呈现动态变化：非痴呆个体可能仅显示轻微淀粉样蛋白负荷和完好的突触完整性；轻度痴呆患者可能出现早期海马萎缩和轻微皮质变薄；中度痴呆患者则表现为显著的颞顶叶退化；而重度痴呆患者会有广泛的皮质萎缩和网络连接严重破坏。区分这些类别具有明确的临床价值，但也极具挑战性。

研究方法的核心在于DWSENet架构的设计，该网络通过深度可分离卷积减少参数冗余，同时利用SE模块动态重新校准特征通道的重要性。研究团队从Kaggle阿尔茨海默MRI数据集中提取6,400张原始2D切片，通过随机旋转、翻转、亮度调整和几何畸变等数据增强技术将数据集扩展至44,000张图像。为确保平衡评估，最终训练集包含32,000张图像（每类8,000张），独立测试集包含8,000张图像（每类2,000张）。

技术方法上，研究采用深度可分离卷积分离空间和通道信息处理，结合SE模块的特征重校准机制。模型训练使用AdamW优化器，学习率3×10^-4，采用余弦退火调度和混合精度训练。评价指标包括准确率、精确度、召回率、F1分数和马修斯相关系数（MCC），并通过Tukey HSD检验进行统计学比较。

研究结果显示，DWSENet在四分类任务中表现出色：非痴呆类精确度0.997，极轻度痴呆类0.978，轻度痴呆类0.990，中度痴呆类0.982。马修斯相关系数达到0.982（95%置信区间[0.979,0.985]），表明模型具有优异的整体性能。

箱线图分析显示DWSENet具有更高的中心准确度和稳定性。接收者操作特征（ROC）曲线表明模型在所有类别中均接近理想分类器状态，曲线下面积（AUC）值显著优于逻辑回归、多层感知机（MLP）和LeNet基线模型。

混淆矩阵分析揭示DWSENet在相邻疾病阶段间的误分类最少，而逻辑回归模型则容易混淆极轻度痴呆与非痴呆病例，这表明简单模型难以识别早期海马变薄等细微变化。

校准曲线显示DWSENet的概率估计具有良好可靠性，预期校准误差（ECE）为0.0283，最大校准误差（MCE）为0.0565，表明预测概率与实际结果频率高度匹配。

统计学分析证实DWSENet相比逻辑回归（平均差-0.3226，p<0.001）和MLP（平均差-0.0875，p<0.001）有显著改进，但与LeNet的差异未达统计学意义（平均差-0.0224，p=0.1314）。

讨论部分指出，DWSENet能够可靠区分四个痴呆阶段具有重要临床价值。对极轻度痴呆的高召回率表明其减少漏诊的潜力，而非痴呆个体的准确分类有助于避免不必要的心理和临床负担。良好的校准曲线支持其在实际风险评估中的应用。

研究同时承认存在若干局限性：仅使用2D数据集未利用体积信息；单一数据集可能影响外部验证泛化能力；未整合正电子发射断层扫描（PET）、弥散成像或脑脊液生物标志物等多模态数据；模型可解释性仍需改进以更好定位病变脑区。

该研究通过分层表征建模证明了深度可分离压缩激励网络在阿尔茨海默病分期中的有效性，为计算机辅助诊断系统开发提供了重要技术支撑。未来工作需在更大规模多中心数据集进行验证，并探索多模态数据融合以进一步提升临床适用性。