Ke Chen1,2,3，Ying Weng1,∗，Akram A. Hosseini4，Tom Dening3，Guokun Zuo2，Yiming Zhang1,3
（1. School of Computer Science，University of Nottingham Ningbo China，Ningbo，315100，China，
2. Ningbo Institute of Materials Technology and Engineering，Chinese Academy of Sciences，Ningbo，315201，China，
3. School of Medicine，University of Nottingham，Nottingham，NG7 2RD，UK，
4. Neurology Department，Nottingham University Hospitals NHS Trust，Nottingham，NG7 2UH，UK）
痴呆症是一种包括记忆力、语言、问题解决和其他思维能力损失的综合症，严重程度足以对日常生活产生影响。其中，阿尔茨海默病（Alzheimer’s Disease，AD）是最常见的痴呆症原因，约占病例的60%至80%，并且它也是全球老年人身心健康障碍的主要原因之一。
AD患者可能会出现记忆力减退、进行性语言障碍、执行日常任务的能力逐渐下降以及个性和行为的异常变化。这些症状会影响人的生活，严重降低人及其家人的生活质量。此外，AD是一种不可逆转的疾病，目前所有可用的治疗方法可能只会延迟其进展。尽管如此，AD的诊断，特别是在早期阶段，是很重要的，这样个人和家庭就可以意识到并根据需要调整他们的生活，而且还因为需要更精确的诊断来开发新的，可能改变疾病的治疗方法。
一般来说，轻度认知障碍（Mild Cognitive Impairment，MCI）代表AD的早期阶段。诊断为MCI的患者更有可能进展为AD，在约4年内发展为AD的比率为约16%，相比之下，非MCI在此期间的转化率为约1%- 2%。然而，并不是所有被诊断患有MCI的人都会进展为AD，有些人会保持稳定甚至恢复正常认知，这表明MCI可以根据未来几年进展为AD的风险进一步分为两类：进行性MCI（progressive MCI，pMCI）和稳定性MCI（stable，sMCI）。因此，识别MCI及其子类别（pMCI和sMCI）应该对治疗的早期阶段产生重大影响，以减轻痴呆的进展。
AD是一种神经退行性疾病，其病理原因尚不清楚，很难通过非侵入性临床研究确定。临床诊断通常依赖于病史、精神状态检查和认知测试的结合。用于诊断AD和MCI的最常用的认知工具是简易精神状态检查（Mini-Mental State Examination，MMSE）和蒙特利尔认知评估（Montreal Cognitive Assessment（MoCA）。这些认知评估工具是测试一系列认知领域的简短问卷。然而，尽管对痴呆症具有相对较高的敏感性和特异性，但它们在早期MCI的诊断中表现不佳。此外，他们的分数受教育水平和语言的影响，因此，作为诊断手段，他们不够客观。
最近，机器学习技术已经在利用大规模管理健康数据的AD发病率预测方面显示出不错的性能。AD诊断的更客观的方法是通过生物标志物如脑成像，血液和脑脊液检查。但由于病理病因尚不明确，通过生物标志物诊断AD尚无统一标准。由于MCI综合征的异质性，将此类测试应用于MCI更不精确。因此，随着人工智能在计算机视觉领域的发展，计算机辅助AD诊断，包括AD和MCI的预测，使用医学图像，例如磁共振成像- T1加权成像（Magnetic Resonance Imaging - T1 Weighted Imaging，MRI-T1WI）、正电子发射断层扫描（Positron Emission Tomography，PET）已成为近年来的研究热点。
结构性磁共振成像（structural MRI，sMRI）是诊断AD的最常见方式，因为其采集成本低、无创性和可访问性。sMRI的特征提取方法大致可以分为三类：基于密度图的、基于皮层表面的和基于预定义区域的。在自动AD诊断中使用sMRI显示了各种基于机器学习的方法的有希望的结果。然而，sMRI数据只能反映结构病理，而不能反映脑功能病理。因此，当与反映大脑功能病理的其他类型的数据一起使用时，结果可能会进一步改善，这也是机器学习中的多模态学习的最近热点。在这项工作中，我们从sMRI开始，同时涉及合成的氟脱氧葡萄糖-正电子发射断层扫描（FluoroDeoxyGlucose PET，FDG-PET），以提高衍生模型的性能。
除了sMRI，人工智能在其他模式（如fMRI和PET）中的应用也有一些令人鼓舞的发现。虽然使用功能成像如fMRI和PET在AD诊断中显示出不错的结果，但是它们的高获取成本以及设备的限制了它们的使用。因此，在真实的实践中，使用sMRI可能最大限度地提高AI在AD诊断中的普遍性。在本文的工作中，由于从MRI-T1WI合成的FDG-PET在采集方面的困难，我们使用它作为模型的额外参考，而不是基准。换句话说，在推理阶段，我们所提出的方法中使用的唯一医学图像是sMRI。
虽然sMRI、fMRI、PET都显示出机器学习在AD诊断方面的良好效果，但sMRI仅显示了大脑的解剖结构，而没有突出显示脑组织的功能或代谢特性。在这项工作中，我们提出了一个基于UNet的生成对抗网络（Generative Adversarial Network，GAN）从sMRI合成PET图像，以从廉价和较低的AD敏感模态中获得昂贵和较高的AD敏感模态，并从解剖结构中获得功能或代谢特性。与其他基于AI的AD诊断应用相比，我们进一步使用合成的FDG-PET图像与其源sMRI图像融合作为分类器的联合输入，以提高AD及其早期MCI的诊断准确性。
本文介绍了以下工作：
l 提出了一种GAN模型来生成合成图像，可以克服在AD诊断中丢失PET图像的限制。该模型在来自阿尔茨海默病神经成像倡议（Alzheimer’s Disease Neuroimaging Initiative，ADNI）数据集的MRI-T1WI和FDG-PET的选定配对数据上进行训练，并实现了优秀的整体性能。
l 研究了不同的机器学习模型，包括用于AD分类的多层感知机（Multilayer Perceptron，MLP）和图神经网络（Graph Neural Networks，GNN）。该模型在来自ADNI数据集的MRI-T1WI数据上进行训练，并进行了各种实验。基于GNN的节点分类模型在NC/MCI/AD分类上的准确率为90.18%。
l 对正常对照（Normal Controls，NC），sMCI和pMCI的识别进行了额外的实验，并达到了82.77%的准确率。
l 工作表明合成数据可以提高AD诊断的模型性能，也为机器学习衍生的图像分析可以成为改善AD诊断的有用方法的概念提供了支持。
资料来源：
根据Ke Chen等于2024年发表在Neural Networks题目为《A comparative study of GNN and MLP based machine learning for the diagnosis of Alzheimer’s Disease involving data synthesis》的文章缩写整理而成。
（本文责任编辑：陈劭）
