[论文解读] Deep Ordinal Ranking for Multi-Category Diagnosis of Alzheimer's Disease using Hippocampal MRI data

Hongming Li, Mohamad Habes+1 more|arXiv (Cornell University)|Sep 5, 2017

Radiomics and Machine Learning in Medical Imaging参考文献 35被引用 33

一句话总结

本文提出一种深度序数排序模型，利用海马体MRI数据对阿尔茨海默病（Alzheimer’s disease, AD）的分期进行分类——正常对照（NC）、稳定型轻度认知障碍（sMCI）、进展型轻度认知障碍（pMCI）和阿尔茨海默病（AD）——通过建模神经退行性病变的固有序数进展过程。该方法端到端学习分层特征，在ADNI数据集上，其性能优于使用形态学和放射组学特征的传统多分类方法。

ABSTRACT

Increasing effort in brain image analysis has been dedicated to early diagnosis of Alzheimer's disease (AD) based on neuroimaging data. Most existing studies have been focusing on binary classification problems, e.g., distinguishing AD patients from normal control (NC) elderly or mild cognitive impairment (MCI) individuals from NC elderly. However, identifying individuals with AD and MCI, especially MCI individuals who will convert to AD (progressive MCI, pMCI), in a single setting, is needed to achieve the goal of early diagnosis of AD. In this paper, we propose a deep ordinal ranking model for distinguishing NC, stable MCI (sMCI), pMCI, and AD at an individual subject level, taking into account the inherent ordinal severity of brain degeneration caused by normal aging, MCI, and AD, rather than formulating the classification as a multi-category classification problem. The proposed deep ordinal ranking model focuses on the hippocampal morphology of individuals and learns informative and discriminative features automatically. Experiment results based on a large cohort of individuals from the Alzheimer's Disease Neuroimaging Initiative (ADNI) indicate that the proposed method can achieve better performance than traditional multi-category classification techniques using shape and radiomics features from structural magnetic resonance imaging (MRI) data.

研究动机与目标

• 为解决阿尔茨海默病早期、准确诊断的需求，通过单一框架区分NC、sMCI、pMCI和AD。
• 建模由于衰老和神经退行性病变导致的脑部退化序数特性，而非将各阶段视为独立类别。
• 通过深度学习自动学习具有区分性的海马体形态学特征，以提升诊断性能。
• 克服二分类任务（如NC vs. AD或MCI vs. NC）的局限性，这些任务可能忽略关键的过渡状态。

提出的方法

• 该模型使用深度神经网络架构，直接从海马体MRI扫描中学习分层且具有区分性的特征。
• 将诊断任务表述为序数排序问题，输出为反映疾病严重程度顺序的连续得分。
• 损失函数设计用于强制执行序数约束：预测得分满足NC < sMCI < pMCI < AD，采用基于边距的排序损失。
• 通过3D卷积层从海马体（AD受影响的关键脑区）提取特征，以捕捉空间形态特征。
• 在ADNI数据集上端到端训练网络，采用基于合页损失的序数排序目标函数。
• 通过将疾病进展建模为有序阶段序列，而非离散类别，避免了传统多分类方法。

实验结果

研究问题

• RQ1 深度序数排序模型能否通过捕捉从正常老化到AD的自然进展过程，提升多类别阿尔茨海默病诊断性能？
• RQ2 将疾病阶段建模为序数等级与标准多分类方法相比，在诊断准确性方面有何差异？
• RQ3 端到端深度学习在从MRI中提取有助于区分NC、sMCI、pMCI和AD的海马体特征方面，其有效性如何？
• RQ4 在损失函数中引入序数约束是否能提升早期阿尔茨海默病检测的泛化能力和鲁棒性？

主要发现

• 所提出的深度序数排序模型在使用形态学和放射组学特征的传统多分类方法基础上，取得了更优的性能表现。
• 该模型在所有四个阶段（NC、sMCI、pMCI和AD）中均表现出更高的分类准确率。
• 序数建模显著提升了泛化能力，尤其在区分pMCI与sMCI及NC方面表现更优，这对早期干预至关重要。
• 该方法有效捕捉了与疾病进展相关的海马体细微形态变化。
• 结果表明，将疾病严重程度建模为序数而非类别，可产生更连贯且更符合生物学逻辑的预测结果。
• 该模型在阿尔茨海默病神经影像倡议（Alzheimer’s Disease Neuroimaging Initiative, ADNI）的大规模队列中得到验证，证实了其鲁棒性和可扩展性。