AD：大连医科大学团队首次发现，小脑放射组学网络综合模型有望成为早期诊断和预测阿尔茨海默病临床前期疾病进展的重要工具

近期，大连医科大学乐卫东/李天白团队发表了一项研究成果，他们构建了一个基于小脑放射组学和小脑结构性网络数据的集成机器学习模型，即小脑放射组学网络综合模型。该模型不仅可以有效区分认知正常和轻度认知障碍的个体（曲线下面积AUC=0.94），还能有效预测认知正常向MCI转化的风险（AUC=0.818）。

这一结果也意味着，小脑放射组学网络综合模型或有望成为早期诊断和预测AD临床前认知功能变化和疾病进展的重要工具。

研究发表在Alzheimer's & Dementia上[1]。

论文首页截图

以往人们认为，小脑主要与运动控制有关。但越来越多的研究显示，小脑在神经退行性疾病中也发挥了重要作用，比如，一些与AD相关的神经病理学和神经影像学研究发现，早在认知功能下降和Aβ病理开始之前，小脑内的神经元活动和功能连接就已经发生了改变。

这些结果也让研究学者们猜想，小脑结构和特征的变化或许可以作为AD早期诊断的一个指标。但是如何捕捉小脑的微观结构和特征却成为了一个难题。

近年来，随着放射组学和人工智能在诊断和监测AD进展方面的广泛应用，这一难题得以有效解决。

在本研究中，研究人员就将小脑放射组学特征与小脑结构性网络数据结合起来，构建了一个小脑放射组学网络综合模型，主要目的是探索该模型在AD早期诊断中的应用。

研究先是从阿尔茨海默病神经影像学倡议（ADNI）数据库和内部数据库中纳入了1627名参与者（其中ADNI数据库包含574名正常认知的参与者，530名MCI和215名AD患者；内部数据库包含102名正常认知的参与者，104名MCI和102名AD患者，具体见下图）的数据，分别用于模型的训练和测试。

研究流程图

通过提取参与者小脑不同亚区的2730个放射组学特征（这些特征主要包括一阶特征[描述图像中像素的统计分布]、形状特征[描述小脑区域的几何形状]和纹理特征[描述图像中像素的空间分布和变化模式]），研究人员发现，AD组与认知正常组之间存在778个明显不同的特征，MCI与NC组之间存在824个不同特征，而AD与MCI组之间有304个不同特征，且这些特征变化主要体现在纹理特征上。

各组放射组学特征

这一结果表明，小脑放射组学特征在AD、MCI和认知正常组之间存在显著差异，可以用来评估三组参与者之间的认知差异。

同样，研究人员还对所有参与者小脑结构性网络数据进行了分析，并评估了三组参与者小脑结构连接性的变化情况。小脑结构连接性的变化通常用小世界属性（小世界属性下降，意味着小脑的连接性效率降低）和节点中心性（DC，小脑一个区域与其他区域的连接程度，某个区域的节点中心性增加，可能意味着该区域在认知损害过程中变得更加活跃）来衡量。

结果发现，与认知正常组相比，MCI组小世界属性明显下降，且在多个小脑区域（如Crus I、VIIIB小叶）中表现出了更高的DC值。此外，与认知正常组相比，AD组患者小脑多个区域的DC值也发生了显著变化。

这些变化表明小脑的结构连接性在认知衰退过程中发生了显著的改变，同样可以用来评估三组参与者之间认知的差异。

三组参与者小脑结构连接性的变化情况

 进一步，为了评估小脑放射组学网络综合模型的性能，研究还构建了海马体模型，并将两者进行了比较。

结果发现，尽管在区分认知正常和AD个体上，小脑放射组学网络综合模型不如海马体模型（AUC分别为0.84和0.998），但在区分认知正常和轻度认知障碍的个体（AUC分别为0.94和0.69），以及预测认知正常向MCI转化的风险（AUC分别为0.818和0.659）方面，小脑放射组学网络综合模型均更具优势。

小脑放射组学网络综合模型的性能

 综上，这项首个从每个小脑小叶全面提取放射组学特征的研究发现，基于小脑放射组学和小脑结构性网络数据的集成机器学习模型，或有望成为早期诊断和预测AD临床前认知功能变化和疾病进展的重要工具。此外，该结果也为小脑在AD早期诊断中的应用提供了有力证据。

参考文献：

[1]Chen, Yini, et al. "Integrated cerebellar radiomic‐network model for predicting mild cognitive impairment in Alzheimer's disease." Alzheimer's & Dementia (2024).