课题编号：柳州市科技计划项目（2021CBC0104）

与正常衰老状态相比，轻度认知障碍(MCI)以记忆加速衰退为主要特征，是阿尔茨海默病的早期表现^[1]。流行病学研究表明，每年约有10%～12%的MCI患者进展为AD，80%的患者在历经6年的随访后发展为AD^[2]。AD是一种进行性神经退行性疾病，以记忆功能下降、认知减退为主要临床表现，确诊时已发生不可逆的神经元坏死，当今尚无有效的治疗方法。对MCI阶段的患者及时给予干预措施，可有一定概率逆转其进展为AD的过程并恢复其认知功能。因此 AD 早期诊断以及MCI的转归预测至关重要。脑脊液采集是有创的手段，昂贵有辐射的PET对β淀粉样蛋白异常沉积的检测也尚未在临床普及^[3]，而磁共振检查作为无创诊断AD有力的武器，已经广泛地用来分析AD患者脑结构和功能的变化。随着人工智能技术的逐步普及， AD分类及AD发展预测的准确率和敏感度不断提高。本文将回顾近3年诊断AD的文献，总结其方法和应用的进展。

1 磁共振智能诊断的常见模型及预处理方法

影像组学最终目标是建立一个诊断、分类和预测的模型。建模涉及三个主要方面：特征选择、建模方法和验证。特征选择是数据驱动的，为了实现整体模型的最佳效能，还应包括影像学以外的特征(如临床记录数据、治疗期间获得的数据或生物和/或遗传数据)；建模方法的选择，确定最佳机器学习方法是实现稳定性和临床相关性的关键步骤，因此在理想情况下，应使用多种机器学习方法，并应完整记录实施状态；验证是完整分析不可或缺的组成部分，模型必须在内部进行验证，理想情况下应该完成外部验证。卷积神经网络解读脑磁共振影像来分类和预测AD转变存在一定的局限，因为医学图像的数据集通常较小，且数据库缺乏大样本量有规则的训练，因此研究者往往不能直接训练一个随机初始化的深度学习模型。对于结构 MRI 图像的细节处理，需要我们对T₁加权MRI数据进行预处理。常用的软件有SPM12、FreeSurfer 工具箱等。主要步骤包括去噪、数据扩增（例如移位、旋转、剪切、缩放）以及特征表征的提取，而后者一般包括基于全脑感兴趣区域（ROI）的体积测量和基于局部高维形态学分析的测量，但这些测量结果维度很高，数据容易过度拟合。

2 MRI深度学习在MCI患者的智能诊断应用

2.1 MCI和正常对照的分类 静息状态功能磁共振成像（rs-fMRI）构建全脑功能连接（FC）网络（或大脑连接组），并提取基于功能连接特征来区分MCI和正常对照HC）。采用功能磁共振各个功能连接信息集成到基于组稀疏表示（GSR）的网络构建框架中，实现更高的组间可分离性，这种MCI与HC的分类准确率达到88.5%^[4]。

2.2 进展型与稳定型MCI的智能分类 由于进展性MCI（pMCI）可以发展为AD，而稳定性MCI （stable MCI, sMCI）不会进展，因此临床上鉴别MCI亚型非常重要。通过采集多个维度的患者信息，包括结构 MRI 和心理认知量表以及载脂蛋白E （ApoE4）基因特征及人口统计学基线信息，得出区分pMCI 和sMCI 的受试者工作特征曲线（ROC）的曲线下面积（ AUC）为0.925，准确率为86%。该项研究采用多任务同步的方法，有助于识别MCI向AD的转换概率以及AD与健康对照的区分。随着FreeSurfer这个开源软件包的使用普及，对于AD患者横截面和纵向研究分析将会不断深入。

2.3 可转化为AD的MCI（cMCI）与不转化AD的MCI（ncMCI） 既往研究基于单个3D T₁加权图像，采用CNNs来区分c-MCI和s-MCI患者，其准确率高达75.1%^[5]。从不同分类角度而言，可转化成AD的MCI（cMCI）和进展型的MCI（pMCI）都是早期干预的重点对象。在对可转换MCI（MCI-C）和非转换MCI（MCI-NC）进行分类的任务中采用监督与非监督2种方法训练样本，得出83.3%分类准确率。许多研究发现在cMCI与ncMCI分类任务中，最具鉴别性的脑区不完全与AD和HC的分类脑区重合，如吻侧区和前颞上沟中颞回以及海马尾等^[6]，由此可见单纯深度学习方法分析磁共振图像来鉴别有转化可能的MCI存在一定的局限性。未来需要更多的研究把深度学习方法和脑连接高级分析结合起来共同提高cMCI的识别率。

2.4 早期MCI（EMCI）与晚期MCI（LMCI）分类 EMCI被认为是AD发病的起点。准确可靠地诊断MCI可以帮助医师确定哪些患者痴呆症状有进展，并为患者提供治疗的条件和机会。利用Resnet18架构使用单通道输入从头开始训练网络，使用扩展的网络体系结构进行带或不带微调的迁移学习，并通过残差神经网络进行AD分类，得出EMCI与LMCI分别 97.38%与97.43% 的分类准确率^[7]。通过对rs-fMRI的静态和动态的脑功能网络进行CNN分析，得出其诊断EMCI的准确率比传统方法高10%。随着卷积神经网络的不断进步，未来功能磁共振的研究有望进一步通过提升这种高维度的、基于像素功能连接时空模式识别来提高EMCI的准确率。

3 基于结构、体积MRI的认知障碍海马研究

结构MR影像技术主要包括：基于体素的形态学分析(VBM)、FreeSurfer自动分割技术、扩散张量成像(DTI)、扩散峰度成像(DKI)等。

VBM分析是指在体素水平上评估局部灰、白质体积和密度的变化，反映脑结构的形态学差异。基于VBM的荟萃分析亦证实，MCI患者左侧海马和海马旁回灰质萎缩^[29]。糖尿病患者伴发认知障碍已引起广泛关注，一项采用VBM技术的动物研究发现，糖尿病模型小鼠伴认知损害组的海马灰、白质体积萎缩^[8]。认知障碍患者存在海马灰质及白质的萎缩，尤其是CA1区萎缩可能是认知功能损害的神经影像学生物标记。随着自动分割技术的应用，关于海马及海马亚区的形态学研究将广泛引起学者们的注意。

4 基于功能MRI的认知障碍海马研究

MRS是一种无创地分析活体组织代谢和生化改变的成像技术，能在组织发生形态学改变之前从生化代谢角度评价脑损害。N-乙酰天门冬氨酸可作为认知损害的可靠代谢指标，研究一致认为，MCI患者海马的N-乙酰天门冬氨酸降低^[9]，是早期诊断和定量评估认知功能受损的有效影像学方法。MRS可以预测认知能力下降和向痴呆的转化，尤其是合并糖尿病的MCI患者。学者对T2DM伴视网膜病变患者的海马进行MRS研究，发现N-乙酰天门冬氨酸显著减低且与认知功能呈正相关^[10]，这可能是T2DM患者脑糖原代谢受损的结果，也可能与视网膜病变有关。由于MRS技术检测的是生物代谢物，所以其可能对认知障碍的脑损害的探测优于脑组织形态学的改变，为早发现、早诊断认知障碍提供一定的影像学依据。

5 总结和展望

综上所述，MRI影像组学作为一种新的定量分析方法，通过对高通量图像数据信息的深入挖掘，可以量化MCI的结构特征，从而获得MCI的MRI图像定量生物学指标，是对传统MRI的重要补充。结合MRI体积、结构及功能成像对MCI的诊断、发展预测方面有一定作用。

我们希望更多的MRI研究来提升AD智能诊断准确率，如能与传统有创的预测诊断方法形成显著的优势，将为AD早期高效的诊断以及积极干预提供实践依据。

。

参考文献

[1]蒋皆恢,李晨阳. 使用可解释的深度学习影像组学模型预测个体从轻度认知功能障碍到阿尔茨海默病的进展：一项初步的关于~(18)F-FDG PET影像的研究[C]//阿尔茨海默病防治协会,国际老年痴呆协会中国委员会.2023年国际阿尔茨海默病及相关病学术大会论文集.[出版者不详],2023:51-52.

[2]赵坤英.词语记忆量表对轻度认知功能障碍及阿尔茨海默病患者的临床意义[J].中国现代医药杂志,2023,25(06):31-35.

[3]郭文静,赵傲楠,闫艺等.嗅觉检测对中国阿尔茨海默病和轻度认知功能障碍患者的诊断价值[J].中国医药导报,2023,20(02):60-64.

[4]郁俊昌,陈兰,刘肖嫦等.阿尔茨海默病、血管性痴呆、轻度认知功能障碍患者血清P-tau181的对照研究[J].临床精神医学杂志,2022,32(05):370-373.

[5]吴永彬,焦金粉,李萍.阿尔茨海默病和轻度认知障碍患者海马区MRI表现及其与认知功能的关系[J].宁夏医科大学学报,2022,44(09):898-902.

[6]何慧萍,何尧苇,沈宗霖等.阿尔茨海默病与轻度认知功能障碍患者精神行为症状比较分析[J].昆明医科大学学报,2022,43(09):19-23.

[7]雷哲,吴寒,欧颖晖等.轻度认知功能障碍与阿尔茨海默病~(18)F-flutemetamol PET/CT脑显像初步研究[J].核技术,2022,45(07):44-52.

[8]何慧萍. 阿尔茨海默病和轻度认知功能障碍患者精神行为症状及其照顾者负担研究[D].昆明医科大学,2022.DOI:10.27202/d.cnki.gkmyc.2022.000345.

[9]朱斌斌,周彦伶,金陆飞等.基于MRI深度学习的阿尔茨海默病和轻度认知功能障碍智能诊断：方法与应用[J].中国神经精神疾病杂志,2022,48(04):251-256.

[10]谢玉芳,刘仕翔,杨凤.尼麦角林联合多奈哌齐治疗阿尔茨海默病相关性轻度认知功能障碍的临床疗效研究[J].基层医学论坛,2022,26(07):19-21.