使用深度学习模型评估阿尔茨海默病脑部MRI图像中海马体积分割的效果

这项研究为何对家庭重要

阿尔茨海默病会缓慢侵蚀记忆和独立性，通常在症状明显出现之前很久就开始。医生们已知一个名为海马的小脑结构会随着疾病进展而萎缩，但在脑部扫描上手动测量这种萎缩既缓慢又困难。本研究探讨现代人工智能是否能自动在MRI图像上勾画出海马并可靠地估算两侧大脑各自损失的程度，从而可能为医生提供更快速、更客观的早期脑部变化窗口。

一个在记忆中扮演重要角色的小脑区

海马位于双侧颞叶深处，帮助我们形成新记忆并导航周围环境。以往研究表明，其体积在阿尔茨海默病患者中往往会下降，而且这种损失可能在确诊前多年就开始了。左侧海马与语言和自传式记忆的关联更紧密，而右侧则在空间记忆和导航中发挥更大作用。因此，追踪两侧体积随时间的变化不仅能揭示疾病是否存在，还可能反映其对日常思维和功能的影响。

为何测量海马如此困难

在MRI扫描上，海马呈现为一个小而形状复杂的结构，仅占每个图像切片中的一小部分。传统上，专家需要在25到30个切片上手工描绘其边界，然后将这些面积合并以计算体积。虽然这种手工方法被视为金标准，但它要求专业培训、耗时长，并且难以应用于大型研究或繁忙门诊中收集的数千张扫描图像。现有的自动化软件能很好地处理较大、形状简单的大脑区域，但通常难以在不同扫描仪和图像质量下稳定捕捉海马的细微结构。

将深度学习付诸考验

为了解决这一挑战，研究人员评估了三种用于在图像中定位和勾勒目标的深度学习模型。他们使用了来自阿尔茨海默病神经影像学倡议（ADNI）中300名个体的MRI扫描：100名阿尔茨海默病患者、100名轻度认知障碍者（可能为早期阶段）和100名健康老年人。在一位神经学专家对数千张切片仔细标注海马后，团队训练模型学习定义该结构的视觉模式。研究使用若干标准准确性指标进行比较，重点关注每个模型预测的轮廓与专家标注的重叠程度。

获胜模型及其揭示的结果

在三种方法中，一种称为U-Net的模型在两侧海马的边界描绘上明显表现最佳。它在所有三组中与专家标注的重叠度最高，优于一款流行的目标检测模型YOLO-v8和另一种先进方法DeepLab-v3。训练完成后，研究团队使用U-Net对独立测试集的图像进行海马分割并计算体积。结果显示出清晰的模式：阿尔茨海默病患者的海马体积最小，轻度认知障碍者居中，健康对照组最大。在每个组中，左侧通常略小于右侧。

左右侧之间的微妙差异

通过直接比较两侧，研究人员还检查了各组海马的对称性。他们发现，在健康老年人中，右侧明显大于左侧，表现出最高的不对称性。相反，阿尔茨海默病患者和轻度认知障碍者的总体体积较小且左右差异不大。这表明随着疾病进展，两侧海马都会萎缩且体积趋于相似，这一模式可能传达有关记忆及其他认知能力如何变化的信息。

这对未来护理意味着什么

对非专业人士而言，关键结论是人工智能现在可以在这一繁琐但关键的步骤上达到专家水平：在脑部扫描上勾画海马。在本研究中，U-Net模型在该任务上表现尤其可靠，能够快速计算双侧海马体积。如果在更大、更具多样性的数据集中得到进一步验证，此类工具可帮助临床医生更容易地追踪早期脑部变化，支持更早、更有把握的诊断，并监测治疗对疾病进展的减缓或改变效果。这项工作使我们更接近将常规MRI扫描与深度学习相结合，作为日常临床实践中阿尔茨海默病的实用生物标志物。

引用: Pusparani, Y., Lin, CY., Jan, YK. et al. Evaluation of deep learning models for segmentation of hippocampus volumes from MRI images in Alzheimer’s disease. Sci Rep 16, 7878 (2026). https://doi.org/10.1038/s41598-026-38220-4

关键词: 阿尔茨海默病, 海马体积, 脑部MRI, 深度学习分割, U-Net