基于几何深度学习的脑形态学研究在阿尔茨海默病诊断中的初步应用

  目的  基于脑表面图形和几何深度学习建立阿尔茨海默病（Alzheimer’s disease，AD）的分类预测模型，并评估其性能。  方法  纳入临床确诊AD患者76例，健康老年人83例，并按4∶1的比例随机划分为训练集和测试集。从受试者的MR成像中三维T1加权高分辨率结构像中构建脑表面图形，进行一系列图形简化操作后将训练集输入几何深度神经网络进行训练，用测试集对训练产生的预测模型进行性能评估，评估参数包括准确率、敏感性和特异性。  结果  在右脑面数为6 000的脑表面图形上训练得到的预测模型取得最佳性能（准确性93.8%，敏感性91.7%，特异性94.1%）。脑表面图形在卷积与池化操作过程中的变化揭示AD患者相较健康老年人存在全脑弥漫分布的脑组织损失。  结论  基于图形数据和几何深度学习的脑形态学分析方法在AD的诊断和鉴别诊断中有较大的发展潜力。