阿尔茨海默病简称AD，目前我国AD患者已经超过1000万，AD前驱期患者数量占65岁以上老人比例超过30%，AD早期防治属国家重大战略需求。上海大学生物医学工程专业蒋皆恢教授团队长期从事AD医学影像研究。近期，蒋皆恢教授团队与宣武医院神经内科韩璎教授、华山医院PET中心左传涛教授团队合作，在阿尔茨海默病医学影像研究领域取得重要进展。相关研究成果发表在European Journal of Nuclear Medicine andMolecular Imaging、Cerebral Cortex和Journal of Neural Engineering等顶级期刊上。

        研究1《基于FDG-PET影像组学方法的MCI转化预测研究》

        既往研究证明，FDG PET图像影像组学特征与AD患者的认知能力密切相关，但是影像组学特征是否可作为MCI转化预测的影像标记物仍需探索。本研究纳入了ADNI、宣武、华山三个样本集844例FDG-PET数据。研究团队利用体素形态学方法确定感兴趣脑区，从844例样本中分别提取34400个影像组学特征，并基于Cronbach's alpha系数确定稳定的影像组学特征，利用Pearson相关系数筛选出了与认知量表相关的有效特征，最终进行MCI转化的分类诊断。研究结果表明，有11个不受随机误差影响的稳定特征。500次随机交叉实验结果表明5个影像组学特征MCI患者的认知能力相关。在最终的分类测试中，该方法达到Cox模型预测转化精度为0.703 (Harrell’s C index)。该项研究于2022年发表于医学影像顶级期刊European Journal of Nuclear Medicine and Molecular Imaging，2022。(https://link.springer.com/article/10.1007/s00259-022-05687-y)。

        研究2：基于多参数磁共振影像与机器学习方法的主观认知下降识别研究

        该研究旨在通过采用多参数磁共振影像(MPMRI)技术结合机器学习方法，在两个跨人种的独立队列中确定主观认知下降(SCD)有效客观神经影像生物标志物。研究选取来自宣武医院和ADNI队列的大样本MPMRI 数据，提取7个大脑网络和90个感兴趣区域的MPMRI特征，基于支持向量机(SVM)的机器学习方法对SCD和正常对照组(NC)进行分类。结果表明，在宣武和ADNI队列中所提出的多模态SVM方法对SCD个体的诊断准确率分别达到79.49%和83.13%。此外，加入Aβ病理和APOE ɛ4基因型信息准确度提高至85.36%和82.52%。此外，该分类模型在跨种族队列和不同亚组中表现出了鲁棒性。该研究表明，MPMRI成像与机器学习分类方法相结合具有AD早期影像标记物提取的临床应用潜力。该项研究于2022年发表于神经科学顶级期刊Cerebral Cortex，2022。

        本研究证明了动态功能连接在反应SCD个体脑功能变化中优于静态功能连接，并进一步探究了这种变化是否与Aβ沉积有关，获取SCD新型影像标记物。该研究纳入北京宣武医院101名健康被试，97名SCD被试以及55名认知障碍患者，其中有amyloid-PET图像的29名健康被试，52名SCD被试被纳入亚组。首先，利用独立成分分析得到后续分析的节点，进而计算节点间的皮尔逊相关系数以得到静态和动态功能连接。其次，使用双样本T检验定位组间差异节点对，并进行基于种子点的动态功能连接分析。使用协方差分析定位动态功能连接差异，并比较组效应和淀粉样蛋白效应。最后，探究动态功能连接和淀粉样蛋白沉积之间的关系。结果显示，动态功能连接相比于静态定位出更多差异节点对，变化的脑区主要位于突显网络、默认网络及视觉网络。在种子点分析中，SCD组和功能障碍组患者的丘脑/尾状核(节点25)与颞中回/额中回的动态功能连接增加。此外，在亚组中该节点与视觉皮质间的动态功能连接也表现出异常增加。最后，动态功能连接的变化被证明与全皮层Aβ沉积有关。该研究证明了动态功能连接相比于静态更能有效反映SCD个体脑功能异常变化，且这种异常变化可能是由Aβ沉积引起的，对发掘SCD临床诊断生物标记物有十分重要的意义。该项研究于2022年发表于神经科学/生物医学工程权威期刊Journal of Neural Engineering，2022。

        总结

        蒋皆恢教授团队主要研究领域为人工智能医疗器械，研究方向聚焦于阿尔茨海默病、帕金森综合征等神经系统变性病的医学影像学研究，在此领域发表SCI论文60余篇，研究获国家自然科学、科技部重点研发专项、上海市科委、卫健委和相关医疗器械企业资助。