MDFNet：一种基于结构磁共振成像表征的多维特征融合模型，用于脑龄估计

　　本研究提出MDFNet模型，通过融合全脑欧氏卷积、灰质体积组织分层、脑网络节点信息传递、连接路径图卷积及人口学数据，提升结构MRI的脑年龄估计精度，在健康人群和阿尔茨海默病患者中验证，MAE达4.396年，PCC 0.912，SRCC 0.819，并实现可解释性分析。

　　

摘要

研究目标

脑年龄估计在理解衰老过程及其与神经退行性疾病的关系方面起着重要作用。本研究的目的是设计一种统一的多维特征融合模型（MDFNet），该模型仅基于结构磁共振成像（structural MRI）数据进行脑年龄估计，同时综合考虑了整个大脑的多种表现形式，包括灰质体积的组织分割、脑网络中的节点信息传递、基于边的脑连接路径卷积以及人口统计数据。

材料与方法

MDFNet通过设计和整合以下组件来实现多维特征融合：全脑级别的欧几里得卷积通道（WBEC-channel）、组织级别的欧几里得卷积通道（TEC-channel）、基于节点信息传递的图卷积通道（nodeGCN-channel）、基于边的脑连接路径卷积通道（edgeGCN-channel），以及用于处理人口统计数据的多层感知器（MLP-channel）。该模型在四个公共数据集中的1872名健康受试者身上进行了验证，并应用于一组独立的阿尔茨海默病（AD）患者群体。此外，还对MDFNet在脑年龄估计方面的可解释性进行了分析并建立了标准化模型。

结果

与现有的深度学习模型相比，MDFNet的平均绝对误差（MAE）为4.396 ± 0.244岁，皮尔逊相关系数（PCC）为0.912 ± 0.002，斯皮尔曼等级相关系数（SRCC）为0.819 ± 0.015，表现更为优越。阿尔茨海默病组患者的脑年龄差异（BAG）显著大于健康组（P < 0.05），且标准化模型显示阿尔茨海默病患者的平均Z分数也显著高于健康受试者（P < 0.05）。MDFNet的可解释性在群体和个体层面都得到了验证，从而提高了其可靠性。

结论

MDFNet通过采用多维特征整合策略，显著提升了基于结构MRI数据的脑年龄估计能力。