[论文解读] Predicting conversion of mild cognitive impairment to Alzheimer's disease

Yiran Wei, Stephen J. Price+2 more|arXiv (Cornell University)|Mar 8, 2022

Advanced Neuroimaging Techniques and Applications被引用 6

一句话总结

本研究提出一种自监督对比学习框架，利用扩散MRI作为引导，从常规T1加权MRI生成高保真度的结构性脑网络，实现对轻度认知障碍（MCI）向阿尔茨海默病（AD）转化的准确预测。通过图自编码器建模健康衰老轨迹，并利用RNN追踪纵向偏离，该方法在MCI转AD预测任务中达到最先进性能，准确率达83.9%，并增强了对白质异常的可解释性。

ABSTRACT

Alzheimer's disease (AD) is the most common age-related dementia. Mild cognitive impairment (MCI) is the early stage of cognitive decline before AD. It is crucial to predict the MCI-to-AD conversion for precise management, which remains challenging due to the diversity of patients. Previous evidence shows that the brain network generated from diffusion MRI promises to classify dementia using deep learning. However, the limited availability of diffusion MRI challenges the model training. In this study, we develop a self-supervised contrastive learning approach to generate structural brain networks from routine anatomical MRI under the guidance of diffusion MRI. The generated brain networks are applied to train a learning framework for predicting the MCI-to-AD conversion. Instead of directly modelling the AD brain networks, we train a graph encoder and a variational autoencoder to model the healthy ageing trajectories from brain networks of healthy controls. To predict the MCI-to-AD conversion, we further design a recurrent neural networks based approach to model the longitudinal deviation of patients' brain networks from the healthy ageing trajectory. Numerical results show that the proposed methods outperform the benchmarks in the prediction task. We also visualize the model interpretation to explain the prediction and identify abnormal changes of white matter tracts.

研究动机与目标

• 为应对临床与神经影像异质性带来的MCI转AD转化预测挑战。
• 利用扩散MRI作为监督信号，从广泛可用的T1加权MRI生成可靠的结构性脑网络。
• 通过建模与健康衰老轨迹的纵向偏离而非直接建模病理脑网络，提升预测性能。
• 通过识别与疾病进展相关的异常白质纤维束，增强模型可解释性。

提出的方法

• 采用对比自监督学习方法，训练图编码器将T1-MRI特征映射为脑网络表征，由扩散MRI衍生的连接性引导。
• 变分自编码器从认知正常对照组的脑网络中学习健康衰老轨迹的分布。
• 基于RNN的框架建模MCI患者脑网络相对于学习到的健康衰老轨迹的纵向演化。
• 生成脑网络中的边特征同时编码灰质共变性与白质连接性，实现多模态结构表征。
• 通过计算患者网络相对于健康轨迹的残差偏离实现模型解释，突出异常纤维束。
• 使用PyTorch端到端训练，采用早停策略，训练1000个周期，并进行5折交叉验证。

实验结果

研究问题

• RQ1 能否利用扩散MRI引导，从常规T1-MRI有效生成脑网络，以同时捕捉灰质与白质连接性？
• RQ2 与直接建模疾病状态相比，通过建模与健康衰老轨迹的纵向偏离是否能提升MCI转AD转化预测性能？
• RQ3 所提出方法能否识别出与认知衰退相关的生物意义明确的白质异常？
• RQ4 与静态和动态基线方法相比，该方法在MCI转AD预测中的性能如何？

主要发现

• 所提方法在使用T1-MRI衍生脑网络分类阿尔茨海默病与认知正常个体时，准确率达86.1%。
• 在MCI转AD转化预测中，方法准确率达83.9%，显著优于ResNet基线（80.2%）和ITGNN基线（65.9%）。
• 模型解释结果揭示，前5%的残差边对应白质高信号，尤其集中在与认知衰退相关的区域。
• 在生成脑网络中同时使用节点与边特征，性能提升至86.1%准确率，而仅使用边特征时为84.2%。
• 与现有基线相比，该方法在预测MCI转AD转化方面展现出更优的敏感性（86.8%）与特异性（81.8%）。
• 该框架成功识别出无法由健康衰老解释的异常白质纤维束，凸显其临床相关性。