通过学习的衰老模板分解正常衰老和阿尔茨海默病对大脑形态变化的影响

快速阅读: 《Nature.com》消息，本文利用生成式深度学习和微分同胚配准技术，提出AS和ADS评分，量化阿尔茨海默病患者的脑萎缩，揭示AD不仅有疾病特异性变化，还伴随加速老化，早期即可敏感检测变化，代码已开源。

阿尔茨海默病（AD）患者群体通常随着时间推移表现出比认知正常的（CN）个体更为显著的形态变化。这些变化是由两种主要生物过程共同作用形成的：正常衰老和AD病理。分别研究正常衰老和残留的形态变化有助于加深对该疾病的理解。本文提出了两个评分指标，即老化评分（AS）和AD特异性评分（ADS），旨在分别量化这两种脑萎缩成分。

首先，我们采用了先进的生成式深度学习模型来构建此类成像模板，并通过计算不同年龄生成的成像模板所需的预期变形，来估计CN受试者的正常老化引起的萎缩。其次，我们采用基于深度学习的微分同胚配准方法，将受试者的给定图像与参考成像模板对齐。然后，将变形场的参数按体素逐一分解为与第一步中计算出的CN个体一年内预期萎缩方向平行或垂直的两部分。AS和ADS分别为这两部分的归一化得分。

我们在OASIS-3数据集中包含的1014例T1加权磁共振成像（MRI）扫描上评估了这两个评分。其中，326例扫描来自CN受试者，688例扫描来自依据临床痴呆评定（CDR）分数界定的不同临床严重程度阶段的AD受试者。我们的结果显示，AD不仅表现为特定于疾病的脑部变化，还伴随着加速的老化过程。这些变化对大脑不同区域的影响各异。此外，所提出的评分在疾病的早期阶段能够敏感地检测到变化，这为其未来在临床研究中的潜在应用带来了希望。

我们的代码可在[https://github.com/Fjr9516/DBM_with_DL](https://github.com/Fjr9516/DBM_with_DL)获取。

—

**总结：**
本文提出了一种创新方法，通过生成式深度学习与微分同胚配准技术，量化了阿尔茨海默病患者的脑萎缩变化。结果显示，AD患者的脑部变化不仅源于疾病本身，还涉及加速的老化过程。这一发现为疾病的早期诊断提供了新思路，同时代码的开源也为科研人员进一步探索提供了便利。

(以上内容均由Ai生成)