多模态序数建模用于阿尔茨海默病严重程度评估：整合MRI与临床数据的AI框架

研究团队提出了一种结合注意力机制的多模态机器学习框架，通过序数回归实现阿尔茨海默病（AD）严重程度的自动分期。该框架整合了T1加权MRI、人口统计信息及遗传数据，在ADNI、AIBL和NIFD三个数据集上的表现优于单模态方法，并利用Grad CAM++和SHAP技术提供了可解释性分析，为AD评估提供了准确且可信的AI辅助工具。

阿尔茨海默病是全球最常见的神经退行性疾病，患者超5500万。当前临床分期方法存在时间密集（神经心理学评估需数小时）、变异性高（评估者主观差异）、资源密集（依赖专业医生）等局限，因此亟需自动化、可扩展的AI评估工具。

本研究目标是开发自动化AD严重程度评估系统，核心特点包括：1. 多模态整合（影像、人口统计、遗传信息）；2. 序数建模（尊重疾病阶段自然顺序）；3. 可解释性（提供临床可理解的决策依据）；4. 可扩展性（处理大规模数据）。

数据模态整合：T1加权MRI（捕捉海马体萎缩、皮层厚度、脑室扩大等AD特征）、人口统计变量（年龄、性别、教育程度）、遗传信息（APOE基因型）。 序数回归框架：采用序数回归而非标准分类，尊重AD临床痴呆评定量表（CDR）的有序结构（CDR0正常→CDR3重度痴呆），并关注相邻阶段准确率（预测与真实标签相差≤1阶段的比率）。 注意力机制：自适应加权不同模态和特征，聚焦MRI中AD相关解剖区域，同时增强模型可解释性。

实验设计严格以确保结果可靠：

• 多数据集整合：使用ADNI（最大AD队列）、AIBL、NIFD三个独立数据集，增强泛化能力。
• 队列分层划分：训练/验证/测试集在各数据集上均有代表性。
• 严格隔离测试集：测试集受试者完全排除在训练、验证、预处理及超参数调优之外；同一受试者的多次扫描不跨集合，避免数据泄露。

单模态vs多模态：

• 单模态：T1 MRI模型相邻阶段准确率0.963、QWK（与临床分期一致性）0.444；表格模型（人口统计+遗传）QWK0.433。
• 多模态：非序数模型MAE0.340（最低）；序数模型相邻阶段准确率0.970（最高）、QWK0.549（最强一致性）。 序数建模价值：更好捕捉CDR有序结构，预测与临床分期更一致，相邻阶段准确率更优。

Grad CAM++分析：可视化MRI关键区域，包括海马体（AD核心受影响区域）、内侧颞叶（记忆相关）、皮层区域（脑萎缩），与已知AD病理一致。 SHAP分析：揭示特征重要性，年龄、海马体体积、APOE基因型、教育程度为主要预测因子，与临床知识相符，增强模型可信度。

临床意义：辅助诊断（提供第二意见、量化指标、趋势分析）；筛查工具（初步筛查、风险分层、监测进展）；研究应用（临床试验评估、流行病学分析、预后预测）。 局限性：基于横截面数据，需纵向研究验证进展追踪能力；需在更多样化人群（不同种族、地域）中验证。 未来方向：纵向研究、整合PET成像/脑脊液生物标志物/认知测试等更多模态、临床工作流程整合（用户界面、不确定性量化、异常检测）。