AI助力阿尔茨海默病PET诊断：对抗性解耦学习框架的临床应用

一项发表在《放射学》期刊的研究开发了对抗性解耦学习（ADL）框架，该框架能够从PET成像中分离出阿尔茨海默病特异性的病理异常，生成与临床认知结局更加一致的AI生物标志物。这一方法在4,700余名受试者的多中心数据上取得了优异的诊断性能，并展现出比传统标准化指标更强的临床相关性。

背景

正电子发射断层扫描（PET）成像是评估阿尔茨海默病病理异常的重要工具。通过淀粉样蛋白-β（Aβ）和tau蛋白PET，临床医生能够在患者出现症状前的数年甚至数十年就检测到这些关键病理标志物。然而，传统的PET定量方法面临一个根本性的挑战：在PET信号中，与疾病相关的病理异常往往与脑组织的正常生理摄取混在一起，难以区分。

目前临床常用的标准化指标，如Centiloid和CenTauRz量表，在与死后脑病理学相关性方面表现不俗，但在预测患者实际的认知功能衰退程度和脑萎缩进展方面的表现却并不理想。这种与临床结局关联性不足的现象，反映了一个关键问题：某些在影像上表现明显的病理异常，对患者的实际神经心理学表现的影响可能有限，反之亦然。因此，开发能够更好地反映临床现实、既具有诊断准确性又具有高度可解释性的新型AI生物标志物，成为阿尔茨海默病精准医学的重要课题。

主要发现

• 研究分析了来自阿尔茨海默病神经影像倡议（ADNI）、澳大利亚成像生物标志物与生活方式研究（AIBL）、全球阿尔茨海默病协会交互网络以及武汉协和医院的7,457张淀粉样蛋白-β PET扫描和1,894张tau PET扫描，共4,722名受试者参与。
• 对抗性解耦学习网络在区分阿尔茨海默病患者与认知正常对照组时取得了出色的诊断性能：淀粉样蛋白-β的受试者工作特征曲线下面积（AUC）为0.94（95% CI: 0.89-0.98），tau为0.98。
• 该框架生成的可解释的病理属性图（voxel-level pathologic probability maps）与神经影像专家的评分具有强相关性，淀粉样蛋白-β达到Spearman相关系数0.79，tau为0.63，表明AI生成的结果与专家判断基本一致。
• 新开发的ADAD评分在纵向研究中表现出更大的效应量，与认知衰退和海马体萎缩的关联强度显著大于Centiloid和CenTauRz等标准指标，提示其在疾病监测中的优势。
• 在基线和随访期间，ADAD评分独立于其他临床变量，与认知功能衰退和结构脑萎缩保持着稳定的关联，反映出良好的纵向预测能力。
• 研究还发现，虽然传统的Centiloid和CenTauRz指标在与死后尸检病理学相关性上数值略高，但ADAD评分更紧密地联系了PET影像异常与患者实际的功能和结构临床表现，这种转变意味着从”病理学一致性”向”临床关联性”的重要转向。

临床意义

这项研究的核心贡献在于提供了一种新的思路来理解和利用PET成像。传统方法的目标是让影像指标与尸检病理学标准相符，而这项工作则提出：更好的生物标志物应该是能够直接预测患者的临床结局——即认知功能的衰退程度和神经退行性改变的速度。这一思想转变具有深刻的临床意义。

对于患者个体而言，ADAD评分和相应的病理属性图提供了高度个性化的信息。属性图以体素级别显示了每个患者脑内哪些区域最可能受到病理异常的影响，这种信息的可解释性对医生和患者的沟通大有帮助。医生不再需要面对”高Centiloid值但患者认知功能基本正常”这样的困境，而是能够依据更贴近临床现实的指标来评估患者的真实病理负担。

在疾病监测方面，ADAD评分显示出比传统指标更强的纵向预测能力。这意味着医生可以利用ADAD评分更准确地判断患者的疾病进展速度，从而更好地规划治疗干预的时机和强度。对于那些参加临床试验或接受治疗的患者，这一指标可以提供更灵敏的效果评估工具。

此外，可解释性AI在此处的应用化解了”黑箱”诊断的困扰。通过生成的病理属性图，临床医生可以理解AI的决策逻辑，将其与自己的专业经验相结合，做出更有信心的临床决策。这种人机协作的模式有利于AI工具在实际临床工作流中的采纳和应用。

局限性

本研究的主要设计特点是回顾性分析，这在某种程度上限制了因果推论的强度。虽然研究纳入了来自多个国际知名队列的数据，具有良好的外部代表性，但未来仍需要前瞻性研究进一步验证这些发现，特别是在新的患者人群中独立验证ADAD评分的临床价值。

此外，虽然ADAD评分在预测认知衰退和脑萎缩方面表现优异，但标准化指标在与死后病理学的相关性上仍略占优势。这提示了一个有趣的科学问题：PET影像中完全反映的病理负担与最终导致临床症状的病理改变之间可能存在某些不完全重叠的地方。这一发现为进一步的神经病理学研究提供了方向。

同时，该框架的外部推广应用需要考虑不同医疗中心的PET扫描设备、采集参数和图像处理方法的差异，这些技术因素可能影响模型在实际临床应用中的性能。

Original paper: Decoupling Alzheimer Disease Pathologic Abnormalities at PET with Improved Clinical Relevance by Interpretable Adversarial Decomposition Learning. — Radiology. https://doi.org/10.1148/radiol.252321

🎧 收听播客