基于全脑结构MRI影像组学模型预测轻度认知障碍向阿尔茨海默病转化的研究

本研究针对轻度认知障碍(MCI)向阿尔茨海默病(AD)转化预测的临床难题，通过整合全脑结构磁共振成像(sMRI)影像组学特征与神经心理学量表(CDR、ADAS-cog)，构建了一种新型决策树预测模型。该模型在训练集和验证集中分别达到0.895和0.882的AUC值，显著优于单一预测指标(P=0.023)，为AD早期筛查提供了经济有效的解决方案。

随着全球人口老龄化进程加速，阿尔茨海默病(Alzheimer's Disease, AD)已成为严重的公共卫生挑战。这种中枢神经系统退行性疾病以进行性认知功能障碍和行为损害为特征，根据疾病进展可分为临床前AD、AD源性轻度认知障碍(Mild Cognitive Impairment, MCI)和AD源性痴呆三个阶段。其中，MCI作为正常衰老与痴呆之间的关键过渡阶段，每年约有10-15%的患者转化为AD，五年内转化率高达30%。然而，当前基于脑脊液生物标志物或淀粉样蛋白PET的检测方法成本高昂且接受度低，限制了其大规模临床应用。

在这一背景下，浙江大学医学院附属邵逸夫医院科研团队开展了一项创新性研究，通过整合全脑结构磁共振成像影像组学特征与神经心理学量表，构建了一种能够准确预测MCI向AD转化的新型模型。该研究近期发表于《Scientific Reports》期刊，为AD早期诊断提供了新思路。

研究团队从阿尔茨海默病神经影像倡议(Alzheimer's Disease Neuroimaging Initiative, ADNI)数据库中筛选了343例MCI患者，其中154例在48个月随访期内转化为AD。所有患者按7:3比例随机分为训练集(n=240)和验证集(n=103)。研究人员采用3T磁共振扫描仪获取基线T1加权结构图像，通过SPM12软件进行全脑三维白质和灰质自动分割，并经两位高年资放射科医师手动校正确保准确性。

关键技术方法包括：使用PyRadiomics库从预处理图像中提取756个影像组学特征（包括直方图、Haralick、灰度共生矩阵等）；采用mRMR算法和梯度提升决策树进行特征降维；结合临床痴呆评定量表(Clinical Dementia Rating, CDR)和阿尔茨海默病评估量表(Alzheimer's Disease Assessment Scale, ADAS-cog)构建决策树模型；通过10折交叉验证和SMOTE技术解决类别不平衡问题。

影像组学标签的建立与评估显示，从每位患者提取的756个特征中最终筛选出11个关键特征（白质6个，灰质5个）。影像组学标签在训练集和验证集均表现出可靠预测性能（AUC分别为0.796和0.784），校准曲线显示无过拟合现象。特征稳健性验证表明，mRMR与LASSO回归等不同方法均保留了8/11关键特征，包括白质GLCM熵和灰质聚类阴影等核心影像组学标记。

整合影像学模型的构建与验证通过逐步逻辑回归分析确定CDR评分、ADAS评分和影像组学标签为独立预测因子。决策树模型揭示关键决策规则：影像组学评分(Rad-score)≥0.397强烈预测进展（概率=0.587）；Rad-score<0.397时，ADAS评分≥12.835进一步增加风险；CDR≥0.75联合ADAS≥13.5确认高风险。该模型在训练集和验证集的AUC值分别达到0.895和0.882，灵敏度为0.933和0.977，特异度为0.669和0.661。DeLong检验显示整合模型的诊断效能显著优于单一预测指标。

与海马体积模型(AUC=0.762)和脑脊液生物标志物模型(AUC=0.815)等现有方法相比，本研究提出的整合模型展现出更优的判别能力。其创新性体现在三个方面：首次将全脑灰质/白质影像组学（而非单区域分析）与临床量表整合；利用决策树模型实现高精度与可解释性的平衡；证实二阶纹理特征（如GLCM熵）在捕捉早期神经退行性变化方面优于传统体积测量。

研究结论表明，基于全脑结构MRI的影像组学模型可准确识别MCI向AD转化的高风险个体，当与神经精神量表结合时能显著提升诊断性能。这种经济便捷的预测方法为AD早期干预提供了新策略，特别适合大规模筛查场景。尽管存在回顾性研究和单中心数据的局限性，但该模型为未来开展前瞻性多中心验证奠定了坚实基础，有望推动阿尔茨海默病的早期诊断与干预进程。