[论文解读] A Review on Image- and Network-based Brain Data Analysis Techniques for Alzheimer's Disease Diagnosis Reveals a Gap in Developing Predictive Methods for Prognosis

Mayssa Soussia, Islem Rekik|arXiv (Cornell University)|Aug 6, 2018

Dementia and Cognitive Impairment Research参考文献 30被引用 3

一句话总结

本综述分析了2010–2016年MICCAI会议中基于图像与网络的脑数据技术在阿尔茨海默病（AD）诊断中的应用，揭示了在轻度认知障碍（MCI）进展预测建模方面存在关键缺口。尽管用于区分AD、MCI和正常对照组的分类方法准确率很高（高达96.7%），但极少有研究开发能够预测长期MCI结局（如转化为AD、稳定或逆转）的模型，凸显了在早期预后方面存在重大未满足需求。

ABSTRACT

Unveiling pathological brain changes associated with Alzheimer's disease (AD) is a challenging task especially that people do not show symptoms of dementia until it is late. Over the past years, neuroimaging techniques paved the way for computer-based diagnosis and prognosis to facilitate the automation of medical decision support and help clinicians identify cognitively intact subjects that are at high-risk of developing AD. As a progressive neurodegenerative disorder, researchers investigated how AD affects the brain using different approaches: 1) image-based methods where mainly neuroimaging modalities are used to provide early AD biomarkers, and 2) network-based methods which focus on functional and structural brain connectivities to give insights into how AD alters brain wiring. In this study, we reviewed neuroimaging-based technical methods developed for AD and mild-cognitive impairment (MCI) classification and prediction tasks, selected by screening all MICCAI proceedings published between 2010 and 2016. We included papers that fit into image-based or network-based categories. The majority of papers focused on classifying MCI vs. AD brain states, which has enabled the discovery of discriminative or altered brain regions and connections. However, very few works aimed to predict MCI progression based on early neuroimaging-based observations. Despite the high importance of reliably identifying which early MCI patient will convert to AD, remain stable or reverse to normal over months/years, predictive models are still lagging behind.

研究动机与目标

• 评估2010–2016年MICCAI会议论文中基于图像与网络的脑数据分析在阿尔茨海默病（AD）诊断方面的最新进展。
• 识别当前方法的局限性，特别是缺乏对MCI向AD、稳定或逆转进展的预测模型。
• 强调尽管形态学脑网络和基于形状的分析在早期诊断中具有潜力，但其在预测框架中的应用仍严重不足。
• 强调在痴呆研究中，预后预测需要可重复、可泛化且公开共享的机器学习方法。
• 倡导将先进的网络分析与形状分析技术整合到机器学习中，以提升对MCI长期结局的预测能力。

提出的方法

• 对2010–2016年MICCAI会议中28篇论文进行系统性综述，通过关键词搜索（AD、MCI、神经影像、网络、分类、预测）筛选。
• 将研究分类为基于图像的方法（使用结构、功能和扩散MRI）与基于网络的方法（聚焦于功能与结构脑连接）。
• 使用准确率、AUC和F1-score等指标评估分类性能，涵盖NC vs. AD、NC vs. MCI以及cMCI vs. sMCI任务。
• 分析基于基线MRI预测MCI转化为AD的模型，评估12个月和18个月随访结果。
• 识别方法论中的缺失要素：缺乏形态学脑网络和MCI演变的完整轨迹预测模型。
• 比较各研究结果，指出因数据集、基线和评估协议不同导致的不一致性。

实验结果

研究问题

• RQ1 2010至2016年间，神经影像学研究中用于AD和MCI分类的主流图像与网络方法有哪些？
• RQ2 当前方法在长期预测MCI向AD进展、稳定性或逆转方面的有效性如何？
• RQ3 为何尽管分类技术表现优异，却仍缺乏对MCI结局的预测模型？
• RQ4 现有预测框架中，皮层厚度和脑形态变化等形态学特征被利用到何种程度？
• RQ5 当前脑数据方法在AD预后预测中面临哪些关键可重复性与泛化性障碍？

主要发现

• 大多数被综述的研究集中于分类任务，基于图像的方法在区分cMCI与sMCI方面准确率最高达96.7%。
• 基于网络的方法在NC/MCI分类中表现优异，准确率高达96.59%，但在预后预测中应用不足。
• 仅有三篇研究——[33]、[34]和[32]——报告了MCI转化的预测模型，预测准确率分别为18个月时76.53%和12个月时79.83%。
• 尽管有证据表明AD患者皮层厚度等形态学特征发生改变，但本综述中无任何研究使用形态学脑网络进行预测。
• 未发现任何方法能够预测MCI进展、稳定或逆转至正常过程中脑形态变化的完整轨迹。
• 缺乏公开共享的模型以及评估协议不一致，严重阻碍了在不同数据集间的可重复性与泛化能力。