研究 | 严超赣研究组研发可实用的阿尔茨海默病脑影像深度学习判别器
近日，中国科学院行为科学重点实验室严超赣研究组在数据科学领域顶级期刊Journal of Big Data (IF=10.835)在线发表题为《基于85,721 个样本构建可实用的阿尔茨海默病脑影像深度学习判别器》的论文。
磁共振成像 (Magnetic Resonance Imaging, MRI) 是一种非侵入性的、无辐射的成像技术，被广泛的应用于脑损伤和脑肿瘤等疾病的临床诊断上。然而，针对阿尔茨海默病 (Alzheimer’s Disease, AD) 等无法直接依靠人眼判别的脑疾病，基于MRI的辅助诊断进展甚微。这是因为绝大多数AD分类算法使用了较少的训练数据，且数据往往来自少数几个站点，这意味着分类器在应用于其他陌生扫描仪/人群时泛化性和准确率会大大下降。为了解决这一问题，严超赣研究组基于迁移学习框架，使用一个样本量和多样性前所未有的磁共振脑影像数据集，建立了一个可实用的基于磁共振结构影像的AD分类器。
构造泛化性好的深度学习模型需要有大量的训练数据。严超赣研究组通过申请公开数据集，汇集了来自超过217个站点/扫描仪的50,876名参与者的85,721次MRI扫描影像，是脑影像领域样本量最大的研究之一。随后，研究组使用深度卷积神经网络构建了基于灰质厚度和灰质体积指标图的性别分类器，并提出了“脑性别”的概念。该性别分类器在跨数据集交叉验证上达到了94.9%的准确率，即模型可以凭借灰质体积和灰质密度图以94.9%的正确率预测来自任意站点任意扫描仪任意被试的性别。
随后，以性别分类器为基准模型，研究人员基于迁移学习在Alzheimer’s Disease Neuroimaging Initiative （ADNI）数据集上构造了AD分类器，使其在跨站点的交叉验证中取得了90.9%的正确率，并在三个独立数据集上分别取得了94.5%、93.6%、91.1%的正确率，表现出很强的实用性。直接使用该分类器测试轻度认知障碍（mild cognitive impairment, MCI）患者的结构影像样本，进展为AD的MCI患者被预测为AD的概率（65.2%），是未进展的MCI患者（20.6%）的3倍以上。此外， AD分类器的预测分数显示出与疾病严重程度的显著相关，具有在临床筛查中实用的潜力。相关性别分类器和AD分类器已被部署到一个在线测试网站http://brainimagenet.org，感兴趣的研究者只需要上传原始数据或者预处理好的灰质体积和灰质密度图，即可得到相应的脑性别或者AD判别分数（现阶段该判别分数仅用于科研用途，不作为临床诊断）。研究代码和模型已经开源共享在https://github.com/Chaogan-Yan/BrainImageNet，预处理数据已共享在http://rfmri.org/BrainImageNetData，并即将上传至心理科学数据银行。
未来，严超赣研究组将继续探索“脑性别”概念在性别群体及脑疾病群体上的应用，并进一步提高AD分类器预测疾病进展的能力。该分类器有望能够使无创无辐射普及率高的磁共振影像，辅助或替代有创有辐射的正电子发射扫描（positron emission tomography, PET）检查，提高AD的早期诊断效率，创造更大的社会价值。
该研究第一作者为心理所鲁彬博士，通讯作者为严超赣研究员，受到科技创新2030-脑科学与类脑研究项目(2021ZD0200600)，国家重点研发计划(2017YFC1309902)、国家自然科学基金(82122035,81671774, 81630031)、中科院十三五信息化专项(XXH13505-03-213)、中国科学院重点部署项目(ZDBS-SSW-JSC006)、北京市科技新星(Z191100001119104)、中科院心理所科研基金(E2CX4425YZ)等的资助。
论文信息：
Lu B, Li H-X, Chang Z-K, Li L, Chen N-X, Zhu Z-C, et al. A practical Alzheimer’s disease classifier via brain imaging-based deep learning on 85,721 samples. Journal of Big Data. 2022;9(1).
参考文献：
1. Cai XL, Xie DJ, Madsen KH, Wang YM, Bögemann SA, Cheung EF, et al. Generalizability of machine learning for classification of schizophrenia based on resting‐state functional MRI data. Hum Brain Mapp. 2020;41(1):172-84.
2. Kermany DS, Goldbaum M, Cai W, Valentim CC, Liang H, Baxter SL, et al. Identifying medical diagnoses and treatable diseases by image-based deep learning. Cell. 2018;172(5):1122-31.
3. Yosinski J, Clune J, Bengio Y, Lipson H, editors. How transferable are features in deep neural networks， Adv Neural Inf Process Syst; 2014.
来源：
中国科学院行为科学重点实验室
严超赣研究组 鲁彬 严超赣