颅骨剥离在基于MRI的阿尔茨海默病分类中诱导捷径学习
研究使用ADNI数据库990例匹配的T1加权MRI,通过颅骨剥离和强度二值化改变预处理,训练3D卷积神经网络并比较分类性能。结果显示不同预处理条件下分类准确率、敏感度和特异度保持稳定,模型主要依赖颅骨剥离引入的脑轮廓体积特征而非灰白质纹理,表现为捷径学习现象。
要点
- 颅骨剥离会引入脑轮廓等预处理伪影,模型可能依赖这些非疾病特异性特征进行阿尔茨海默病分类。
- 去除灰白质纹理(二值化)后模型性能保持稳定,提示纹理贡献极小,体积特征足以实现高分类准确率。
- 可解释性工具(如逐层相关性传播)和谱聚类可揭示深度学习模型中的隐藏偏倚。
核心结论
- 深度学习阿尔茨海默病分类模型主要依赖颅骨剥离引入的体积特征而非灰白质微结构变化,表现为捷径学习现象。
- 预处理伪影可作为非预期线索,产生Clever Hans效应,强调可解释性工具对揭示隐藏偏倚和确保稳健可信深度学习的重要性。
研究设计与样本
- 研究论文,使用ADNI数据库990例匹配的T1加权MRI(AD患者159例、认知正常对照201例),按70:15:15分为训练、验证和测试集。
- 图像采集参数为3.0特斯拉、矢状面、像素间距[1.0 mm, 1.1 mm]、层厚1.2 mm。
- 预处理包括颅骨剥离和三种强度二值化阈值(13.75%、27.50%、41.25%白质峰值),共8种输入配置。
- 使用3D卷积神经网络(约30万可训练参数)训练,每种配置进行30次训练会话(10次数据采样×3次权重初始化)。
- 统计比较采用精确McNemar检验和离散Bonferroni-Holm校正,特征相关性分析使用逐层相关性传播、图像相似度指标和谱聚类。
关键影像表现/征象
- 颅骨剥离模型的平均热图显示相关性主要集中在组织边界。
- 二值化输入模型的热图与非二值化输入模型的热图高度相似。
- 颅骨剥离二值化模型(B2、C2、D2)相比对齐版本(A1、B1、C1、D1)显示更低的体素级差异(RMSE)、更高的全局相似性(Pearson相关)和改善的局部相似性(MSSIM、EMD)。
- 在二值化模型中,颅骨剥离-二值化-13.75%(B2)与参考模型(A2)具有最高的整体结构相似性,而颅骨剥离-二值化-27.50%显示最强的区域重叠。
诊断标准与关键数值
- 以颅骨剥离无二值化模型(A2)为参考,精确McNemar检验α=0.05,离散Bonferroni-Holm校正后600次比较中120次仍显著。
- 与参考模型相比,颅骨剥离二值化13.75%(B2)有8个显著差异,27.50%(C2)有1个,41.25%(D2)有4个,对齐图像二值化41.25%(D1)有7个。
- 所有配置的准确率、敏感度、特异度和AUC以均值、标准差和95%置信区间报告。
临床应用与阅片要点
- 作者认为,模型验证流程应在临床部署前常规测试模型对预处理变化和数据处理的敏感性。
- 作者建议未来研究纳入定量MRI参数(如T1、R2*或QSM)以提供疾病病理信息并增强模型可解释性和泛化性。
- 作者指出需要仔细控制预处理伪影,定量MRI参数图或模型正则化可能提供更稳健的替代方案。
局限性
- 数据集虽大且具代表性,但仅来源于ADNI数据库,最终模型在本地非公开数据集上测试。
- 分析主要检查T1加权图像、预处理策略及其对分类性能和热图提取特征的影响。
- CNN架构为控制过拟合而有意简化,并针对参考模型(颅骨剥离、无二值化)通过系统减少可训练参数和复杂度及超参数调优进行优化,可能未完全消除偏倚。
- 更复杂的3D架构是否会出现类似效应仍需研究。
- 热图和相似度指标可能无法完全捕捉模型学习到的特征间复杂交互。
全文中译17 节 · 点击展开
引言
阿尔茨海默病(AD)是最常见的痴呆形式,占病例的60–70% [1],全球有超过5500万人患有某种形式的痴呆,对医疗系统、照护者和家庭造成了沉重负担 [2]。然而,由于临床症状与其他疾病重叠,体内诊断仍然具有挑战性,导致诊断准确性相对较低(灵敏度71–87%,特异度44–71%)[3]。
除临床和神经心理学评估外,医学影像被用于提高诊断准确性。使用淀粉样蛋白和tau蛋白配体的正电子发射断层扫描(PET)成像,结合磁共振成像(MRI),已成为AD诊断中的有价值工具 [4]。然而,AD以延长的前驱期和无症状炎症期为特征,在此期间PET成像不适合用于预测健康人群的疾病发作。由于AD的病理变化在临床症状出现前数十年即已开始,MRI有望在广泛人群中识别早期生物标志物。目前,脑体积测量 [5],特别是海马萎缩 [6],被广泛用作鉴别诊断和干预研究中的影像标志物。
近年来,卷积神经网络(CNN)已成为使用结构T1加权(T1w)MRI扫描进行AD分类的最先进方法 [7]。这些网络在训练过程中直接学习图像特征,无需手动特征选择。尽管具有优势,CNN模型及其提取的特征往往难以被人类解读,因而获得了“黑箱”的名声 [8]。
为解决这一问题,热图等可解释性方法被引入 [9]。一种值得注意的技术是逐层相关性传播(LRP)[10],它突出显示驱动模型决策的输入特征。此类工具的重要性可通过[11]中的案例说明,其中模型基于水印而非动物本身来识别马——这是Clever Hans效应的一个实例 [12, 13]。该术语源自一匹曾被认为会做算术但后来被证明是对细微线索作出反应的马 [14],例证了捷径学习:利用虚假相关性而非有意义的模式 [15]。
在AD分类中,可解释性研究表明预处理步骤可以影响性能和学习到的特征 [16]。我们假设,颅骨剥离这一常见步骤可能引入非预期线索,导致模型忽视更相关的AD特异性标志物,如结构萎缩和灰白质对比度变化 [17]。在本研究中,我们结合深度学习和热图可解释性技术,评估在不同输入配置下训练的CNN的性能和学习特征。具体而言,我们在阿尔茨海默病神经影像学倡议(ADNI)数据集的全T1w图像、其颅骨剥离版本以及这两种预处理方法的三种不同二值化版本上训练了相同的CNN架构,共创建八种模型配置。我们首先分析性能指标是否存在显著差异,评估基于LRP的热图之间的结构相似性,并研究热图相关性的空间分布,以检验预处理是否引入了非预期线索 [18]。
材料与方法
影像数据
利用ADNI数据库(https://adni.loni.usc.edu)的MR图像元数据,我们创建了一个具有临床可用且属性一致的图像子集。最终检索标准为:Phase = ADNI 2,Acquisition Plane = SAGITTAL,Field Strength = 3.0 Tesla,Pixel Spacing XY = [1.0 mm, 1.1 mm],Slice Thickness = 1.2 mm,Weighting = T1。这些标准共获得AD组1042幅图像和正常对照(NC)组2227幅图像。这确保了患者和对照者在多个扫描仪厂商和站点使用一致的3 Tesla MRI协议进行扫描。补充材料1中的补充表S1.1和S1.2提供了图像在各站点、厂商、成像协议和研究组之间分布情况的概览。
研究组
我们从预选图像数据子集中回顾性选取了159例AD患者的990幅MR图像和201例NC的990幅MR图像,并以年龄和性别作为协变量进行倾向性逻辑回归匹配[19]。补充图1.1详细展示了匹配前后的效应量。表1显示了所选样本的人口统计学特征。数据被分为训练集、验证集和测试集(比例70:15:15),确保同一受试者的所有扫描均纳入同一数据集。为保持类别分布一致,最终数据集通过合并两个队列的数据创建。
此外,本研究使用了经格拉茨医科大学伦理委员会(IRB00002556)批准的本地研究[20, 21]中获取的数据,所有研究参与者或其照护者均签署了知情同意书。这项前瞻性研究的试验方案已在美国国家医学图书馆注册(试验识别号:NCT02752750)。所有方法均按照相关指南和法规执行。
预处理
原始T1w图像使用FSL-REORIENT2STD [22]重新定向至标准空间,裁剪至160 × 240 × 256矩阵大小,使用N4 [23]进行偏场校正,并通过FSL-FNIRT [22]非线性配准至MNI152模板。强度值归一化至脑组织直方图的白质峰值(196个bin)。该预处理流程的输出称为“对齐”图像。使用FSL [24]中的SIENAX在原始图像空间生成个体脑掩膜,并变换至对齐图像以创建“去颅骨”图像。保留形状信息的二值掩膜通过手动选择的脑组织直方图白质峰值13.75%、27.5%和41.25%阈值及对齐图像导出。这些二值掩膜还与去颅骨预处理相结合,共产生八种设置,如图1所示。补充图S1.2显示,阈值的选取通过将残余体素与个体脑掩膜进行比较,以保留有意义的萎缩模式。
标准分类网络
我们使用了如[7]中所述的常规3D受试者水平分类器网络。然而,由于可训练参数数量(4200万)相对于数据集规模(1980张图像)较高,网络容易过拟合。为解决此问题,我们减少了卷积层和全连接层的数量和规模,直至网络不再对训练数据过拟合且验证准确率不再提升。损失和性能曲线见补充材料2。批归一化层未影响网络性能,因此被省略。此外,我们按照[25]中的测试,用使用步长的卷积层替换了最大池化层。此修改提高了网络的可解释性[26]。网络中未应用Dropout。为进一步增强可解释性,分类器中所有偏置被约束为非正值,这有助于稀疏化网络激活[26]。
最终的3D分类器网络如图2所示,由单个卷积层(卷积核大小:3×3×3,8通道)结合下卷积层(卷积核大小:3×3×3,8通道,步长:2)作为其主要构建模块组成。该网络堆叠四个此类主要构建模块,后接两个全连接层(分别有16和2个单元),总计30万可训练参数。除输出层采用Softmax激活外,每一层后均接有修正线性单元激活函数。
训练
模型在对齐图像、去颅骨图像及其二值化对应图像上进行训练。训练使用Adam优化器[27]进行30个epoch,批大小为20,使用三个独立的网络权重初始化[28],最小化二元交叉熵损失。每次数据采样均使用全部三种初始化进行训练。
热图生成及相关性加权热图呈现
热图使用LRP方法创建,参数为α=1.0和β=0.0,如[10]所述。每个体素被赋予一个相关性评分(R)。为分析相关性热图,我们定性检查了各单独热图并计算了每种配置的平均热图。对每张平均热图,我们生成了相关性值的直方图。从相关性最高的箱开始,迭代累加箱内容直至包含总相关性的40%。最终箱的下界被用作平均热图加窗的下阈值。本研究中呈现的所有热图均叠加在MNI152 1 mm模板上,并加窗显示前40%的相关性。
随机采样
对每次数据采样(10次采样)和每种网络权重初始化(3种初始化),我们重新训练网络,每种输入图像配置共产生30次训练会话[29]。未收敛的训练会话被排除在进一步分析之外。从剩余会话中,基于验证准确率选择表现最佳的运行来创建平均热图。
统计分析
我们计算了所有模型配置的性能指标,包括准确率、敏感度、特异度和受试者工作特征曲线下面积(AUC)。结果以均值、标准差和95%置信区间报告。
在去颅骨T1w图像上训练的模型(见图1中的A2)被指定为统计比较的参考模型。在每个会话运行(数据采样和权重初始化的组合)中,只要两次运行均可用,即进行精确McNemar检验,以比较参考模型与每个替代模型之间的准确率、灵敏度和特异度[30]。为考虑多重比较,我们应用了离散Bonferroni-Holm校正,这是一种适用于调整涉及重叠数据划分的比较的统计方法[31]。
热图相似性分析
为评估热图相似性,我们使用结构图像相似性度量,将参考模型中表现最佳的一次运行与每个替代模型的对应运行(相同的数据采样和权重初始化)进行比较。在比较之前,热图被归一化至最小-最大值。体素级相似性使用均方根误差(RMSE)评估,而全局趋势和整体相似性使用Pearson相关系数评估。全局和局部模式均使用平均结构相似性指数(MSSIM)和地球移动距离(EMD)进行分析。此外,突出显示相关性值前40%和前10%的二值化热图使用交并比(IoU)指标进行比较。
结果
以下各节呈现各设置下的定量性能结果,随后使用LRP和图像相似性度量对CNN提取的特征进行分析。
模型性能
表2提供了随机采样设置下所有配置的准确率、灵敏度、特异度和AUC结果。性能指标在各模型配置的未排除训练会话中进行评估。
使用0.05的α水平和离散Bonferroni-Holm校正进行多重精确McNemar检验,参考模型(A2,去颅骨,未二值化)与替代配置之间的比较——包括阈值为13.75%(B2,8项显著差异)、27.50%(C2,1项显著差异)和41.25%(D2,4项显著差异)的二值化去颅骨图像,以及在41.25%下二值化的配准图像(D1,7项显著差异)——显示几乎至多无证据表明在准确率、灵敏度和特异度方面存在显著差异。在600项总比较中,经多重检验校正后仍有120项保持显著。模型比较中的显著差异见补充表S3.1。
二值化阈值为13.75%和27.50%的配准图像(B1、C1)与未二值化的配准T1w图像(A1)表现相当。类似地,二值化去颅骨图像(B2、C2、D2)和在41.25%下二值化的配准图像(D1)表现出与未二值化去颅骨图像(A2)相当的性能,同时优于其他配准图像配置。
此外,模型性能还在我们的本地非公开数据集上进行了测试。结果见补充材料4。
特征相似性
图3显示了测试图像上分类决策的平均热图。去颅骨处理提高了分类准确率,而二值化输入的平均热图与未二值化输入的平均热图非常相似。
去颅骨模型(A2)的热图作为表3中结构热图比较的参考。与配准版本(A1、B1、C1、D1)相比,去颅骨二值化(B2、C2、D2)显示出更低的体素级差异(RMSE)、更高的全局相似性(Pearson相关系数)以及改善的局部相似性(MSSIM、EMD)。在二值化模型中,去颅骨二值化-13.75%(B2)与参考(A2)表现出最高的整体结构相似性(RMSE、Pearson相关系数、MSSIM、EMD),而去颅骨二值化-27.50%与参考表现出最强的区域重叠。这些结果强调了体积特征相对于T1w对比度变化的主导作用。此外,使用谱聚类[11, 32]和t分布随机邻域嵌入[33]进行了特征相似性和模型误分类分析。介绍和结果见补充材料5。
讨论
既往使用T1w MRI进行AD分类的研究报告了CNN的强劲性能,但往往未能阐明哪些图像特征——如体积模式、信号纹理或预处理伪影——驱动了模型决策[16, 34, 35]。这种可解释性的缺乏引发了对虚假相关性和捷径学习的担忧。我们通过使用来自广泛使用的AD数据集的1980张T1w MR图像进行系统分析来填补这一空白。应用可解释深度学习、基于McNemar的模型比较以及LRP热图的谱聚类,我们解耦了强度和解剖信息的贡献。通过图像二值化去除纹理进一步隔离了结构线索。我们的分析揭示了一种偏倚:CNN严重依赖基于体积的特征而非生物学特异性的微观结构变化。这些发现凸显了对AI工具进行严格验证的必要性,以及对数据集属性、预处理和模型行为如何相互作用进行更深入理解的需要——这一整合视角在该领域仍然缺失。
为了实现稳健且无偏的评估,我们策划了一个具有高类间图像相似度和平衡类别比例的数据集 [7]。然后,我们应用按性别和年龄的一对一匹配来减少协变量驱动的影响,旨在最小化混杂因素并确保模型关注AD相关的结构和对比度变化 [17, 35]。所有模型使用非线性配准将MRI对齐到MNI152空间,考虑个体解剖变异。然而,这并不能完全校正萎缩,萎缩在AD中因区域而异,尤其是在海马和皮层灰质中 [16]。颅骨剥离是我们参考的预处理步骤,广泛用于AD分类,并得到基于热图研究的支持,这些研究显示在AD [34]、痴呆 [36]、多发性硬化 [37]和脑年龄预测 [38–40]中准确性提高。本研究中生成的热图证实了这些发现,相关性主要集中在组织边界。为了进一步探究体积特征的贡献,我们通过二值化完全去除组织对比度,分离出萎缩和结构特征进行分析。
我们研究了三个二值化水平,每个都与图像的白质强度峰值对齐,如图1所示。这些水平虽然选择任意,但保留了不同比例的解剖结构,捕捉了萎缩的不同方面,包括脑室扩大、海马缩小和小脑形态。由于CNN似乎关注高对比度区域 [37, 41],这些二值化水平使我们能够系统地剖析不同体积和结构特征如何影响模型预测。
性能指标总结在表2中,揭示去除灰白质对比度同时保留颅骨剥离对模型性能几乎没有影响。使用精确McNemar检验进行统计分析,并用离散Bonferroni-Holm校正(α = 0.05)调整,显示与参考模型相比,不同配置在准确性、敏感性和特异性方面存在显著差异的证据极少。具体而言,在阈值13.75%、27.50%和41.25%下的颅骨剥离和二值化模型,以及在41.25%下二值化的对齐图像,显示少于10%的比较具有显著差异。这表明体积信息足以在基于CNN的AD分类中实现高分类准确性,灰白质纹理变化的贡献极小。
鉴于不同配置下模型性能一致,我们使用应用于热图的相似性度量检查了结构图像相似性,如表3所示。令人惊讶的是,在13.75%二值化(B2)下训练的模型——在脑掩模内保留最多组织——在全局(RMSE、Pearson相关)和局部(MSSIM、EMD)相似性度量中表现出与参考模型(A2)最高的相似性。这表明驱动分类的关键体积和形态特征主要编码在脑掩模的体积和形状中。
此外,从二值化-27.50%(C1、C2)开始,模型开始纳入额外区域,如脑室,而在二值化41.25%(D1、D2)时还捕捉到了海马特征。值得注意的是,如交并比指标所示,参考模型与二值化模型之间的最高重叠出现在27.50%(C2)处。这表明参考模型中脑室区域的对比度为模型识别疾病相关模式提供了足够的信号。
总体而言,模型的分类性能是由高对比度变化驱动的,这些变化要么由脑室系统和海马等脑结构提供,要么通过图像预处理人为引入。多中心研究已反复表明,扫描仪厂商、采集协议和预处理流程会系统地改变放射组学和图像特征,进而改变分类器行为[42, 43]。如果应用不当,即使在协调化之后,效应仍可能持续存在[44, 45]。
类比于克莱弗·汉斯效应——即实验设置中无意间的线索被意外学习——我们在基于深度学习的AD分类中观察到了类似现象。预处理,尤其是T1w成像中的颅骨剥离,对于达到最先进性能至关重要[7, 34, 36, 40],正如模型A1(对齐、未二值化)相比A2(颅骨剥离、未二值化)结果较差所证明的那样。然而,当与卷积神经网络(CNN)结合时,这种预处理充当了访谈者效应,将模型引向人为引入但已充分建立的 features,如体积测量。这强调了仔细控制预处理伪影的必要性[16],并表明定量MRI参数图[46–48]或模型正则化[16]可能通过最小化对此类人工线索的依赖而提供更稳健的替代方案。
局限性
本研究存在局限性。首先,虽然数据集规模大、具有代表性且经过精心构建,但它仅来源于ADNI数据库。然而,最终模型在我们本地的非公开数据集上进行了测试。其次,我们的分析主要考察T1w图像、预处理策略及其对分类性能的影响,以及使用热图提取的特征。第三,CNN架构被有意简化以控制过拟合,并通过系统性地减少可训练参数和复杂度以及超参数调优,针对参考模型(颅骨剥离、未二值化)进行了优化。尽管最终架构达到了与现有文献相当的性能指标,但在各实验中应用相同设置旨在最小化偏倚,但可能无法完全消除偏倚。类似效应是否会在更复杂的三维架构中出现仍有待研究。然而,我们预计此类模型也会容易受到本研究中估计的偏倚的影响。最后,虽然热图和相似性指标对特征解释有效,但它们可能无法完全捕捉模型所学特征之间的复杂交互。
结论
我们的研究结果揭示了深度学习驱动的AD分类中存在捷径学习效应,表明模型主要依赖体积特征而非灰质和白质的微结构变化。这凸显了评估数据选择和预处理流程以区分伪影与真正疾病特异性模式的迫切需求,从而确保临床相关性。
本工作的意义超越了AD分类,敦促在深度学习工作流程中采用稳健策略来分离伪影与有意义的特征。模型验证流程应在临床部署前常规测试模型对预处理变化和数据处理选择的敏感性。未来研究应纳入定量MRI参数,如T1、R2*或定量磁敏感成像(QSM),以提供对疾病病理的洞察,并增强模型的可解释性和泛化性。通过应对这些挑战,该领域可以朝着更可靠、更具临床可操作性的AI神经影像应用迈进。
补充信息
电子补充材料
引用
- Tinauer C, Sackl M, Stollberger R, et al. Skull-stripping induces shortcut learning in MRI-based Alzheimer's disease classification. Insights Imaging. 2025. PMID: 41428317. doi:10.1186/s13244-025-02158-4
- 全文:PMC12722621(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12722621/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。