文献 | AD影像学分类
碎碎念：因为研究方向放在认知障碍这块了嘛，打算整理下AD影像学分类这块的研究，不过动作估计很慢啊哈哈哈哈......毕竟又是个相对陌生的领域.......
今日分享列表：
1. Rathore, Saima et al. “A review on neuroimaging-based classification studies and associated feature extraction methods for Alzheimer's disease and its prodromal stages.” NeuroImage vol. 155 (2017): 530-548. doi:10.1016/j.neuroimage.2017.03.057
2. Qiu S, Joshi PS, Miller MI, et al. Development and validation of an interpretable deep learning framework for Alzheimer's disease classification. Brain. 2020;143(6):1920-1933. doi:10.1093/brain/awaa137
os: 都不算最新“进展”了哈......先讲17年这篇综述，再讲20年这篇深度学习的article
目录
Backgrond
单模态
sMRI
fMRI
DTI
PET
多模态
Backgrond
研究认知障碍的朋友都应该熟悉下面这张炒鸡经典的图——来自2011年NIA-AA发布的AD诊断标准。由图可知，AD的诊、治越来越追求“早”这个字，那么问题来了，如何提高早期诊断率？从理想角度来说，检测脑β样淀粉样蛋白的相关指标最优选了——谁叫它发生得早（但非AD的“充要”条件），又是发病机制的核心环节呢~~~但事实上，一方面由于在中国CSF取样要求在病房完成，致使CSF-Aβ检测无法大范围开展，另一方面，核医学检测Aβ的PET又非常昂贵（12k+ rmb一次AV45-PET/MR......(ㄒoㄒ)/~~）因此，其他影像学的生物指标就有了广阔的发展空间和市场需要，AD的影像学分类研究就如火如荼滴发展起来~~~
单模态
分类框架主要分为4个环节：①特征提取 ②特征选择 ③降维 ④基于特征的分类算法
sMRI
根据所提取特征的不同可分为：
① 基于灰质体积：利用整体或部分灰质体积指标作为特征。之所以采用部分灰质体积指标来降低维度，是因为当特征数相对于训练集中的被试数较多时，在训练集上产生高精度可能是一种偶然现象，从而导致分类算法无法推广到新数据。
② 基于灰质表面：类似地，可采用整体或部分的灰质表面（顶点特征）指标作为分类特征
③ 基于预先设定的脑区：e.g. 海马
关于特征选择，如下图所示，既可以采用whole-brain信息，也可以进行一些挑选/降维（Biologically informed or antomated feature selection）
关于分类算法，SVM最为常用。其他还可选择：LDA ；orthogonal partial least square regression；random forest；regularization-based methods；voting-based ensemble methods；kernel SVM decision-tree；LPBM
fMRI
根据开始那张NIA-AA的AD生物标志物示意图可以看到：在AD从前驱期发展到痴呆期的过程中，fMRI/FDG-PET所示的脑功能改变要早于脑结构的改变，所以我认为，相对于sMRI，fMRI在早期诊断中意义要更大，但其缺点在于结果不“稳定”、处理流程不“标准化”。
得到特征的方式与sMRI处理思路是高度一致的。
基于FC的分类模型显示出良好的MCI/NC及AD/MCI分类效果（E. Challis, 2015；B. Jie, 2014）。
DTI
基于体素的研究表明，AD患者在后部白质的多个区域的各向异性分数（FA）降低，MCI患者在枕后 - 顶叶皮层、右顶叶缘上回中的平均扩散率（MD）增加。基于ROI的研究表明，AD中海马、后扣带回增高的MD和/或降低的FA同样也表现在临床前阶段。有研究表明，海马体的扩散率测量比体积更能预测MCI转化率（Fellgiebel等人，2006）。根据特征提取方式的不同，DTI特征研究可以进一步分为三类：i）基于纤维束 ii）基于连接的网络指标 iii）基于统计结果。
PET
FDG-PET
Aβ-PET
Tau-PET
处理思路同sMR、fMR......不赘述
多模态
sMRI + fMRI + DTI + PET + 神经精神量表评分 + 遗传信息(APOE...) + 体液标志物(CSF...) 组合
又可继续分为：直接特征串联；特定融合框架（考虑到不同模态所得特征性质不同）
