[论文解读] Disentangling brain heterogeneity via semi-supervised deep-learning and MRI: dimensional representations of Alzheimer's Disease

Zhijian Yang, Ilya M. Nasrallah+9 more|arXiv (Cornell University)|Feb 24, 2021

Dementia and Cognitive Impairment Research参考文献 29被引用 4

一句话总结

该论文提出Smile-GAN，一种半监督深度聚类框架，通过MRI数据解耦阿尔茨海默病的神经解剖异质性。该方法识别出四种不同的神经退行性变模式（P1–P4）及两条纵向进展路径，且模式表达在预测临床进展方面优于淀粉样蛋白/tau生物标志物。

ABSTRACT

Heterogeneity of brain diseases is a challenge for precision diagnosis/prognosis. We describe and validate Smile-GAN (SeMI-supervised cLustEring-Generative Adversarial Network), a novel semi-supervised deep-clustering method, which dissects neuroanatomical heterogeneity, enabling identification of disease subtypes via their imaging signatures relative to controls. When applied to MRIs (2 studies; 2,832 participants; 8,146 scans) including cognitively normal individuals and those with cognitive impairment and dementia, Smile-GAN identified 4 neurodegenerative patterns/axes: P1, normal anatomy and highest cognitive performance; P2, mild/diffuse atrophy and more prominent executive dysfunction; P3, focal medial temporal atrophy and relatively greater memory impairment; P4, advanced neurodegeneration. Further application to longitudinal data revealed two distinct progression pathways: P1$ ightarrow$P2$ ightarrow$P4 and P1$ ightarrow$P3$ ightarrow$P4. Baseline expression of these patterns predicted the pathway and rate of future neurodegeneration. Pattern expression offered better yet complementary performance in predicting clinical progression, compared to amyloid/tau. These deep-learning derived biomarkers offer promise for precision diagnostics and targeted clinical trial recruitment.

研究动机与目标

• 解决精准诊断与预后中的脑部疾病异质性挑战。
• 开发一种从结构MRI数据中识别阿尔茨海默病生物学意义亚型的方法。
• 利用半监督深度学习发现无需完全标注数据的影像学疾病亚型。
• 利用纵向数据验证所识别模式的临床相关性，并预测神经退行性变轨迹。
• 比较深度学习衍生生物标志物与传统淀粉样蛋白/tau标志物的预测能力。

提出的方法

• Smile-GAN是一种新颖的半监督深度聚类模型，结合聚类与生成对抗网络（GANs），从MRI扫描中学习解耦表示。
• 该方法使用对比损失以促进跨视图的特征解耦与聚类分配一致性。
• 它联合优化生成器以合成逼真的脑部图像，以及判别器以区分真实与生成的扫描图像，同时强制执行聚类结构。
• 该模型在标注对照组与未标注的认知障碍或痴呆个体组合数据上进行训练。
• 神经退行性变的维度表示从学习到的潜在空间中提取，每个维度对应一种独特的神经退行性变模式。
• 通过追踪纵向MRI数据中时间点上模式表达的演变，推断进展路径。

实验结果

研究问题

• RQ1 是否能够通过半监督深度学习框架，从结构MRI中识别出无需完全标注的阿尔茨海默病生物学意义亚型？
• RQ2 从脑部MRI数据的无监督解耦中，会涌现出哪些不同的神经退行性变模式（萎缩轴）？
• RQ3 这些模式如何与认知表现及临床表型（如记忆或执行功能障碍）相关联？
• RQ4 这些模式的表达是否能够预测纵向数据中未来的神经退行性变轨迹与速率？
• RQ5 这些深度学习衍生生物标志物的预测性能与已确立的淀粉样蛋白/tau标志物相比如何？

主要发现

• Smile-GAN识别出四种不同的神经退行性变模式：P1（正常解剖结构，认知最佳）、P2（轻度/广泛性萎缩，执行 dysfunctions）、P3（局灶性内侧颞叶萎缩，记忆障碍）和 P4（重度神经退行性变）。
• 纵向分析揭示两条主要进展路径：P1 → P2 → P4 和 P1 → P3 → P4，基线时的模式表达可预测未来轨迹。
• 这些模式的表达在预测临床进展方面准确度高于淀粉样蛋白或tau生物标志物，展现出互补的预测能力。
• 该方法仅使用部分标签即成功解耦脑部异质性，证明在低监督设置下的鲁棒性。
• 从MRI扫描中提取的维度表示捕捉了在不同认知状态下的临床相关神经解剖与认知表型。
• 该方法通过识别生物学上不同的阿尔茨海默病亚型，实现精准诊断并支持临床试验的靶向受试者招募。