近日，深圳大学医学部生物医学工程学院雷柏英教授团队围绕结构磁共振图像在脑疾病智能分析中“诊断依据能否被核查”和“同一表征能否跨疾病复用”两个问题开展系列研究，相关成果分别发表于医学影像领域期刊 Medical Image Analysis（MedIA）和 IEEE Transactions on Medical Imaging（IEEE TMI）。

（1）发表于 MedIA 的论文题为“From voxel discovery to regional interaction: A multi-level interpretable framework for Alzheimer’s disease diagnosis”（ DOI：https://doi.org/10.1016/j.media.2026.104243）面向阿尔茨海默病及轻度认知障碍的影像诊断，将诊断证据的发现过程纳入模型训练，依次完成体素筛选、个体化动态脑区构建和脑区交互建模，使模型在给出分类结果的同时呈现从局部病变信号到脑网络变化的多层次依据；

（2）发表于 IEEE TMI 的论文题为“SF-DisenNet: Self-Supervised Function-Guided Disentanglement for Fine-Tuning-Free Brain Representation”（ DOI：https://doi.org/10.1109/TMI.2026.3727625），针对“不同疾病分别训练模型、表征难以共享”的问题，利用同一受试者的静息态功能连接指导结构 MRI 自监督学习，在不使用疾病标签的情况下建立可迁移的统一脑表征，并将一次预训练得到的编码器用于阿尔茨海默病（Alzheimer’s disease, AD）及轻度认知障碍（mild cognitive impairment, MCI）、孤独症谱系障碍（autism spectrum disorder, ASD）、帕金森病（Parkinson’s disease, PD）和无多巴胺能缺陷证据扫描（scans without evidence of dopaminergic deficit, SWEDD）等多项脑疾病相关任务。

两项工作分别从专病诊断的可解释性和跨疾病分析的通用性切入，形成了由“说明模型为何判断”到“让同一表征服务不同任务”的递进关系。

结构 MRI 具有无创、无辐射、空间分辨率高和临床应用广等特点，能够显示脑组织形态，是脑疾病筛查和研究的重要影像手段。与晚期较明显的脑萎缩不同，脑疾病早期的解剖变化往往细微、弥散且存在明显个体差异，常规阅片难以稳定量化。深度学习能够从三维影像中提取人眼不易察觉的高维病理模式，却也带来了新的临床使用障碍：仅给出分类结果不足以支持医生判断，模型还需要说明关注了哪些部位、这些部位为何与疾病有关。现有全脑方法多借助预测后的梯度热图解释结果，容易把脑外背景、配准误差或模糊边界当作诊断依据；基于固定脑区图谱的方法虽然具有一定解剖对应关系，又难以适应患者特异的萎缩模式和偏离标准图谱的细小病灶。从更广泛的脑疾病分析看，现有方法还普遍遵循“一个疾病、一个模型”的路径，不同疾病、队列和任务往往需要分别训练，形成重复的计算流程，也不利于在统一空间内比较疾病的共有与特异变化。静息态功能连接具有较强的个体识别能力，能够反映稳定的脑功能组织及疾病相关网络改变，但功能 MRI 空间分辨率较低、预处理复杂且临床可及性有限；结构 MRI 更易获得，却常依赖预先设定的形态学指标或疾病标签学习表征。如何既从结构 MRI 中得到可核查的诊断证据，又把功能连接所包含的个体化组织信息转化为可跨疾病使用的结构表征，构成了两项研究共同的出发点。

针对阿尔茨海默病早期诊断中的上述问题，团队在 MedIA 工作中将可解释过程直接放入模型训练，在完成诊断的同时给出相应的解剖和网络依据。

图1 发表于Medical Image Analysis的论文题目及作者信息

该框架由三个相互衔接的阶段组成。第一阶段使用层次化证据掩膜 HiEM，在全脑范围内逐步筛选与诊断有关的体素；第二阶段将离散体素聚合为空间连续、可随个体扫描变化的动态脑区，并使用经过纵向结构 MRI 自监督调优的 M3D-CLIP 编码器提取区域特征；第三阶段以脑区为节点，通过图注意力网络学习区域之间的联系，完成认知正常、轻度认知障碍和阿尔茨海默病之间的分类。

图2  多层次可解释诊断框架

HiEM 通过证据提取和掩膜更新交替优化。模型先根据诊断损失计算体素梯度，再执行收缩和扩展：收缩用于去除对当前判断贡献较小的区域，扩展则在保留区域周围搜索可能遗漏的信号，并利用父级掩膜约束每轮更新范围。经过多轮迭代得到的二值掩膜不再只是预测后的可视化结果，而是直接作为后续脑区构建的输入。

图3  HiEM第一阶段流程

在后续阶段，模型先对筛选出的体素进行空间聚类，得到与个体扫描相适应的脑区。区域编码器利用同一受试者不同时间点的 MRI 进行纵向对比学习，使特征更多反映稳定的解剖变化。随后，图注意力网络根据各脑区特征估计区域间连接强度，并将区域信息汇总用于诊断。这样，模型的解释由单个体素延伸到脑区及脑网络层面。

图4  动态脑区构建、特征编码与图注意力诊断

研究在阿尔茨海默病神经影像学倡议（Alzheimer’s Disease Neuroimaging Initiative，ADNI）和澳大利亚影像、生物标志物与生活方式老龄化研究（Australian Imaging, Biomarkers and Lifestyle Study of Aging，AIBL）两个公开纵向队列上进行验证。ADNI 主队列包含 1366 名受试者，其中认知正常 542 名、轻度认知障碍 559 名、阿尔茨海默病 265 名；AIBL 独立队列包含 333 名受试者。另有 4473 名 UK Biobank 认知正常受试者仅用于区域编码器的纵向自监督调优。

在 ADNI 上，模型在三项诊断任务中均取得最高准确率，其中正常对照与阿尔茨海默病分类准确率为 90.5%。将 ADNI 中发现的体素和脑区固定后迁移到独立的 3T AIBL 队列，三项任务准确率分别为 77.3%、94.5% 和 78.5%。模型发现的体素和脑区与已有病理认识基本一致：轻度认知障碍阶段涉及楔前叶、丘脑和内侧颞叶等区域；阿尔茨海默病诊断更集中于双侧海马、海马旁回和楔前叶；随着疾病进展，相关证据进一步延伸至额叶和顶叶关联皮层。

区域交互分析显示，认知正常与轻度认知障碍之间主要表现为分散且幅度较低的网络差异；认知正常与阿尔茨海默病之间出现较集中的记忆相关环路变化；轻度认知障碍进展至阿尔茨海默病时，差异扩展为更广泛的网络重组。

图5  三项诊断任务中的脑网络交互模式及组间差异

与六种常用的事后可视化方法相比，HiEM 在三项任务中均获得更高的临床相关性和对比度。在正常对照与阿尔茨海默病任务中，其对比度为 11.21，约为最佳基线方法的 2.6 倍。边界和配准检查也表明，模型掩膜基本不受脑外背景或不稳定边界伪影影响。该工作把体素、脑区和网络层面的信息连接起来，为核查模型判断依据以及发现候选影像标志物提供了可操作的方法。

在阿尔茨海默病专病诊断之外，团队进一步关注脑影像模型在不同疾病之间的复用问题。现有研究通常针对不同疾病分别训练模型，不同任务之间难以直接共享表征。静息态功能磁共振能够反映个体特异的功能连接，但临床可及性和空间分辨率有限；结构磁共振应用更广，却往往依赖预先设定的形态学指标或疾病标签。团队希望把功能连接中包含的个体化信息引入结构 MRI 表征，使一次预训练得到的编码器能够服务于多种疾病分析。

团队发表于 IEEE TMI的研究提出自监督功能引导解耦网络 SF-DisenNet，利用同一受试者的功能连接作为结构 MRI 学习信号，在不使用疾病标签的情况下建立可跨任务使用的脑表征。

图6 发表于IEEE Transactions on Medical Imaging的论文题目及作者信息

模型先将三维结构 MRI 划分为局部图像块，再通过编码器和基于 AAL-90 图谱初始化的解剖映射单元，将局部特征聚合为 90 个脑区表征。脑区表征之间的相关性构成结构连接矩阵，并与同一受试者的功能连接矩阵对齐。训练过程中加入独立性约束，减少不同脑区表征之间的冗余，使各区域保留更具互补性的结构信息。

图7  SF-DisenNet总体框架

在 UK Biobank 留出测试集上，结构 MRI 生成的结构连接与功能 MRI 生成的功能连接实现了 95.1% 的跨模态个体匹配准确率。模型学习到的解剖映射在 45 对左右半球对应脑区上均呈现侧化关系，单个脑区的有效图像块数量中位数接近 1，表明模型能够在保持脑区解剖对应关系的同时，实现对局部结构信息的紧凑表征。完成预训练后，编码器被冻结，仅训练轻量分类器即可用于 AD/MCI、孤独症谱系障碍、帕金森病和 SWEDD 等六项下游分类任务；进一步微调时，模型在六项任务上取得最佳或并列最佳准确率。

研究还在 ADNI 纵向数据中考察了结构脑指纹随时间的变化。模型对基线与 24 个月结构 MRI 的个体重识别准确率为 83.5%。匹配失败受试者的结构指纹漂移量是正确匹配者的 2.1 倍，正确匹配者的漂移程度随疾病严重程度增加。阿尔茨海默病组 24 个月海马灰质体积下降约 3.00%，约为正常对照组的 2.7 倍，结构指纹漂移与海马萎缩速率显著相关。

图8  结构脑指纹的纵向变化及其与海马萎缩的关系

上述结果表明，功能连接可以作为结构 MRI 自监督学习的有效信号，使模型在不依赖疾病标签的情况下建立统一表征，并为跨疾病比较和纵向脑变化分析提供可复用的编码基础。

两项研究形成了从专病可解释诊断到通用脑影像表征的递进关系。MedIA 工作从体素、脑区和网络三个层面给出阿尔茨海默病诊断依据；IEEE TMI 工作则摆脱单一疾病标签和任务边界，探索结构 MRI 表征在多种脑疾病和纵向分析中的复用。系列成果为减少人工标注与重复建模、提升医学影像人工智能的可解释性和泛化能力提供了新的思路。

两项研究均依托深圳大学医学部生物医学工程学院、医学超声关键技术国家地方联合工程实验室和广东省生物医学检测与超声成像重点实验室完成。研究获国家自然科学基金、广东省自然科学基金、深圳市医学研究专项和深圳市科技计划等资助。