华中科技大学同济医学院兰晓莉教授团队近期联合国际多中心研究团队，在《Radiology》上发表了一项利用可解释人工智能解决阿尔茨海默病诊断难题的研究。该研究针对传统PET影像定量分析依赖单一标量指标，忽视了阿尔茨海默病病理异质性，常导致影像结果与临床表现不符的“淀粉样悖论”问题，开发了一种名为“对抗分解学习”的可解释深度学习框架。该框架能够实现体素级别的病理异常与生理性背景信号分离，生成个体化的病理概率图和新型AI衍生评分，为疾病的精准诊断与进展监测提供了关键技术突破。
该方法的核心在于其“解耦器-判别器”的对抗学习架构。解耦器基于U-Net网络，将输入的PET图像分解为阿尔茨海默病特异性病理成分和生理性背景成分。判别器则同步执行疾病分类和评估图像修改程度的双重任务，通过对抗训练确保分解结果符合生物学特征。研究在包含超过9000例Aβ PET和tau PET扫描的大规模多中心数据集上进行了验证。结果显示，该方法生成的AI评分在区分认知正常与阿尔茨海默病患者方面表现出色，外部测试的AUC值分别达到0.94和0.98。其生成的病理归因图与专家评级高度一致，证实了模型的可解释性。
研究的另一重要发现在于该方法显著提升了影像标志物与临床结局的相关性。在统计模型中同时控制传统的标准化指标(如Centiloid)后，新方法衍生的ADAD评分仍与认知功能评分、海马体积等关键临床指标显示出独立的基线及纵向关联。这表明，新方法捕捉到的病理空间分布信息，能够更紧密地反映疾病的临床影响，与传统指标形成有效互补。该研究为阿尔茨海默病的个体化精准评估、治疗反应监测以及新药研发提供了新的强有力的影像分析工具。
