用于阿尔茨海默病相关大脑 MRI 任务的通用特征提取器

当没有足够的标记数据来正确训练深度学习模型时，迁移学习可以提供帮助。我们仍然不完全了解它在神经影像学方面的有效性，特别是对于阿尔茨海默病研究。目前还不清楚这些转移的模型是否可以在新数据集上工作，而无需针对每个特定任务进行重新训练。我们评估紧凑的、有监督的预训练模型是否可以作为下游神经影像任务的可重用基础模型。我们冻结了之前为大脑年龄预测而训练的 3D CNN 的 718 万个权重，并使用低秩适应 (LoRA) 将其适应每项任务，仅需要约 1% 的额外可训练参数。我们通过六个实验评估了普遍性。调整模型以在 ADNI 上对认知正常与痴呆进行分类，得出保留褶皱的 AUC 为 0.964（实验#1）。将改编后的模型不变地应用于 OASIS-3，无需重新训练，AUC 为 0.871（实验#2）。重复使用其输出 logits 以及年龄和认知评分，可以将稳定的 MCI 与进展的 MCI 区分开来，AUC 为 0.828（实验#3）。采用相同的主干从结构 MRI 预测淀粉样蛋白阳性，AUC 为 0.804（实验#4）。最后，同样的方法直接从 T1w 图像估计 ICV 标准化海马和白质低信号体积，R^2 分别为 0.80 和 0.91，这些任务通常使用更大的 U-Net 网络来解决（实验#5 和#6）。因此，一个受大脑年龄监督的紧凑模型可以作为可重复使用的骨干网，以约 1% 的额外参数适应每项任务，并在没有任何训练的情况下转移到看不见的队列。我们的研究结果表明，经过精心训练的大脑年龄模型可以作为阿尔茨海默病相关任务的有效基础模型，即使在严格的数据限制下也是如此。