基于随机皮质自重建(SCSR)的个体化皮层厚度异常映射研究

　　本研究针对当前皮质厚度参考模型存在站点特异性偏差和空间分辨率不足的问题，开发了基于深度学习的随机皮质自重建(SCSR)方法。该方法利用超过25,000名健康人的数据训练，无需额外受试者信息即可实现顶点级皮质厚度重建，在独立测试集上显著降低了重建误差，成功识别了阿尔茨海默病的萎缩模式，并检测到早产儿皮质变薄，展现了在临床实践中支持诊断的潜力。

　　

在人脑研究领域，准确识别个体大脑结构的差异对于神经学和精神病学的诊断进步至关重要。大脑皮层作为神经退行性疾病、精神疾病和发育障碍的核心区域，其异常变化往往是这些疾病的重要标志。随着精神疾病和痴呆症成为全球最大的健康负担，精确评估个体大脑变异的能力对于早期诊断和有效治疗变得尤为关键。

然而，当前基于年龄和性别等人口学特征建立的参考模型存在明显局限性。这些模型无法直接应用于新成像站点的数据，需要额外收集大量样本进行站点特异性调整；同时，区域平均化的分析方法难以检测局部皮层变化，而基于图谱的分区方式可能因不同分区方案导致结果不一致，从而掩盖局部病理变化。

为了解决这些挑战，Christian Wachinger等研究人员在《Medical Image Analysis》上发表了创新性研究，提出了随机皮质自重建(Stochastic Cortical Self-Reconstruction, SCSR)方法。这种方法摒弃了传统依赖年龄、性别等外部变量的建模思路，转而利用深度学习技术，仅基于个体自身的皮层信息来实现顶点级的皮质厚度重建。

研究人员采用了多项关键技术方法开展本研究。利用英国生物银行(UK Biobank)中超过25,000名健康受试者的T1加权磁共振成像数据作为训练集，通过FreeSurfer软件提取皮质厚度图并进行球形配准。SCSR核心方法采用多层感知器(MLP)架构，随机采样20%的顶点作为输入，预测剩余顶点的厚度值，并通过500次重复采样构建健康参考分布。评估使用四个独立的阿尔茨海默病数据集(ADNI、J-ADNI、AIBL、DELCODE)和内部临床数据集，包含多种痴呆类型患者和早产儿数据。

3.1. 识别跨AD数据集的萎缩模式

研究人员在四个独立AD数据集上评估了SCSR的性能，发现该方法能清晰识别认知正常(CN)、轻度认知障碍(MCI)和AD患者之间的萎缩差异。SCSR在AD患者中检测到最低的Z值，表明在内侧颞叶、颞顶交界处和后扣带皮层存在最显著的萎缩。MCI受试者显示出相似但较不明显的萎缩模式，而CN受试者仅显示小而孤立的低Z值区域。组间比较显示，MCI与CN以及AD在颞区存在高度显著差异，为早期诊断提供了支持。SCSR的重建误差显著低于群体参考模型(Pop-Ref)，且误差从CN到MCI再到AD逐渐增加，符合预期规律。

3.2. 使用常规临床数据进行痴呆的微分诊断

研究人员将SCSR应用于包含50名受试者的临床数据集，成功区分了阿尔茨海默病(AD)、后皮质萎缩(PCA)、行为变异型额颞叶痴呆(bvFTD)、语义性痴呆(SD)和认知正常(CN)组。SCSR生成的Z值图在各痴呆组中显示出特定的局部萎缩模式：bvFTD患者前额叶区域和外侧颞叶皮层厚度较低；PCA特征性地在顶叶和枕叶皮质区域萎缩；AD在颞顶交界处、后扣带和内侧颞叶显示异常厚度；SD则在前颞叶萎缩。这些发现与既定的神经影像学发现一致，SCSR在区分不同痴呆类型方面表现出0.82的AUC值，优于传统方法。

3.3. 早产儿的非典型皮质厚度

在发育中的人类连接组计划(dHCP)数据中，SCSR检测到早产儿在中期颞叶、下颞叶、下顶叶和外侧枕叶区域的皮质厚度显著较低。这一发现特别重要，因为传统的GAMLSS、分位数回归和BLR等规范模型未能检测到这些区域的显著组间差异。中期颞(MT)回显示出组间最大的皮质厚度差异，t-SNE嵌入显示SCSR能有效捕捉两组之间的结构差异。

3.4. SCSR设计选择的洞察

研究人员通过实验验证了SCSR的最优参数配置，发现20%的采样率和95%的重建百分位数能实现最佳性能。比较不同架构发现，MLP表现最佳，其次是球形U-Net(SU-Net)，最后是基于XGBoost的分区方法。添加年龄和性别作为额外输入或使用ComBat进行协调均未提高AUC性能，表明皮层本身提供的信息对于估计健康参考最为准确。

3.5. SCSR鲁棒性

SCSR表现出对扫描仪相关变异的高度鲁棒性，在不同制造商(GE/Philips/Siemens)和不同线圈(32和64通道)的扫描仪上产生一致的输出。此外，当使用Vox2Cortex-Flow(V2C-Flow)代替FreeSurfer进行皮层重建时，SCSR仍能有效工作，甚至表现出更低的重建误差，证明了其在不同皮层重建方法中的通用性。

研究结论表明，SCSR通过摒弃传统依赖年龄、性别等外部变量的建模方式，转而利用深度学习技术学习皮层内部的隐含关系，成功解决了当前参考模型的主要局限性。该方法不仅能准确识别脑病理，比现有参考模型具有更低的重建误差，而且在域外设置中表现出良好的泛化能力，无需目标数据适配即可有效工作。

SCSR的高空间分辨率使其能够精细定位非典型模式，而神经网络的多变量预测特性使其能够学习皮层上的空间相关性，相比采用质量单变量方法的规范模型具有明显优势。在AD实验中，SCSR识别出的显著萎缩区域与既往研究完全一致，包括楔前叶、内嗅皮层、海马旁回、梭状回、下颞叶、中颞叶、下顶叶和额叶区域。

特别值得关注的是，SCSR不仅适用于成人群体，在早产儿研究中也表现出色。由于早产混淆了年龄因素，传统基于年龄的模型在此场景下存在明显局限性，而SCSR通过规避年龄作为预测因子，能够更有效地区分足月和早产婴儿。

这项研究的重要意义在于为个体化皮层厚度分析提供了新的范式，不仅为临床诊断提供了有力工具，也为理解大脑结构和功能之间的关系提供了新的视角。SCSR的成功开发标志着在精准医疗时代，我们向实现真正个体化脑健康评估迈出了重要一步，为未来神经退行性疾病的早期诊断和干预提供了新的可能性。