脑年龄预训练特征提取器在阿尔茨海默病 MRI 任务中的泛化能力

当缺乏足够的标注数据来充分训练深度学习模型时，迁移学习能够提供帮助。我们对其在神经影像学中的有效性，尤其是在阿尔茨海默病研究中的表现，仍缺乏充分的了解。此外，这些迁移模型在不针对每个特定任务进行重新训练的情况下，能否在新数据集上有效运行也尚不明确。我们评估了一个紧凑的、经监督预训练的模型是否可以作为下游神经影像任务的可复用基础模型。我们冻结了一个此前针对脑龄预测训练的 3D CNN 的 718 万个权重，并利用低秩自适应（LoRA）将其适配至各个任务，仅需增加约 1% 的可训练参数。我们通过六项实验评估了其泛化能力。将该模型适配用于 ADNI 数据集上的认知正常与痴呆分类时，在保留折上取得了 0.964 的 AUC（实验 1）。在未经任何重新训练的情况下，将该适配模型原封不动地应用于 OASIS-3，获得了 0.871 的 AUC（实验 2）。复用其输出 logit 并结合年龄及认知评分，可区分稳定型与进展型轻度认知障碍（MCI），AUC 达 0.828（实验 3）。适配相同的骨干网络以通过结构 MRI 预测淀粉样蛋白阳性，获得了 0.804 的 AUC（实验 4）。最后，该方法直接从 T1w 图像中估算了经 ICV 归一化的海马体积及白质低信号体积，R^2 分别达到 0.80 和 0.91，而这些任务通常需要规模大得多的 U-Net 网络来处理（实验 5 和实验 6）。因此，一个基于脑龄进行监督训练的紧凑模型可以作为可复用的骨干网络，仅需约 1% 的额外参数即可适配各个任务，并在无需任何训练的情况下迁移至未见过的队列。我们的研究结果表明，即使在严格的数据限制下，精心训练的脑龄模型也可以作为阿尔茨海默病相关任务的有效基础模型。