数字孪生脑：用 AI 提前看见阿尔茨海默病的大脑未来！
代码：https://github.com/zhonghuajiuzhou12138/DDGAN
0、摘要
预测阿尔茨海默病（AD）病程进展，对评估可改变疾病发展轨迹的二级干预方案至关重要。但纵向磁共振影像（MRI）的精准预测仍存在难点，核心问题是难以保留受试者个体特征 ：深度生成模型仅依靠单张基线扫描图，有可能生成其他受试者看似合理的未来时序 MRI 影像。（个体结构特征如何保持）
本研究构建了一种新型身份保持去噪扩散生成对抗网络（identity-preserved denoising diffusion generative adversarial networkI，P-DDGAN），该网络可依托元数据快速生成匹配受试者个体特征的纵向 MRI 影像。
具体而言，本文设计了身份保持策略 ，包含元数据引导模块 和身份一致性正则项，以保证合成影像保留个体身份。同时，综合采用形态学、身份一致性和图像质量指标，系统评估合成影像的真实性和生物学合理性。
结果显示，IP-DDGAN 生成的合成 MRI 保留了生物学及疾病相关表型，且真实感足以支持下游应用。该模型有效捕获纵向生物学变化及疾病演变，并预测不同进展轨迹 ，包括从认知正常（CN）到轻度认知障碍（MCI）及从 MCI 到 AD 的关键临床转化。（疾病演进预测：CN --> MCI --> AD）
1、引言
（1）背景意义：
全球痴呆患病人数持续攀升，AD 异质性强、个体病程进展模式差异明显，预判 AD 进展对评估二级预防方案极具价值；但现有纵向影像数据集时间点偏少 、随访周期短 ，难以捕捉细微脑解剖改变，给 AD 病程预测带来现实难点。
（2）技术现状：
VAE、GAN、DDPM 模型三类主流深度生成模型在脑部 MRI 合成中各有优缺点，单一模型无法同时兼顾生成画质、样本多样性、采样速度；由此催生融合扩散迭代优化与对抗训练的混合架构，对抗扩散模型也已在医学图像转换领域展现潜力。
（3）当前局限：
对抗扩散模型 用于脑部纵向 MRI 合成仍存在两大瓶颈：一是纵向影像生成属于病态一对多逆问题 ，合成随访影像易偏离受试者原有解剖结构，亟需引入受试者专属信息约束身份一致性 ；二是现有模型验证指标仅侧重合成图像逼真度与多样性，缺少针对疾病相关形态特征保留能力的评价体系，会降低下游分析可靠性。
（4）本文贡献：
本文目标是快速生成具备个体特异性、形态保真、真实多样的纵向 MRI 影像 ，提出以受试者特征为条件约束的 IP-DDGAN 模型（图 1），设计配套模块与正则项解决身份保真问题，在非高斯假设下 兼顾采样速度、生成质量与模式多样性；同时补充形态学评价体系完善验证逻辑，并对比真假影像验证模型可控生成能力。
Figure 1 | 本文所提出的身份保持去噪扩散生成对抗网络（IP‑DDGAN）整体框架：
（a） IP‑DDGAN 包含两个过程：固定的前向过程与基于学习的反向过程。在反向过程的每一步中，条件 GAN 生成器估计真实去噪分布 q ( x t − 1 ∣ x t ) q(x_{t-1}|x_t) q(xt−1∣xt)，时间相关判别器将真实去噪分布 q ( x t − 1 ∣ x t ) q(x_{t-1}|x_t) q(xt−1∣xt) 与参数化的去噪分布 p θ ( x t − 1 ∣ x t ) p_\theta(x_{t-1}|x_t) pθ(xt−1∣xt) 对齐。
（b）网络模块。
（c）由 x t ′ x_t' xt′ 到 x t − 1 ′ x_{t-1}' xt−1′ 的反向过程。
2、结果
为验证 IP-DDGAN 的性能，本文将其与条件生成对抗网络（CGAN）、CycleGAN、自注意力生成对抗网络（SAGAN）、去噪扩散概率模型（DDPM）和潜在扩散模型（LDM）进行了比较。这些模型在采样质量、多样性和时间一致性方面均属公认基准（常见基线模型）。
CGAN 作为条件对抗 基线用于图像合成；CycleGAN 基于循环一致性 实现无配对图像到图像转换，广泛用于医学图像翻译和纵向 MRI 合成；SAGAN引入自注意力机制 以建模长程空间依赖；DDPM是一种扩散式生成 模型，通过逐步高斯去噪优化含噪图像，已在图像去噪、超分辨率和纵向 MRI 合成等领域成功应用；LDM 在压缩潜在空间中进行扩散过程，提升了采样效率。
本文采用标准 DDPM 实现，扩散步数设为 1000。对于 LDM，输入经两层下采样压缩为 24×24×32 的潜在表示，随后执行 1000 步扩散过程。与 IP-DDGAN 类似，对比方法同样以年龄、性别、诊断标签和基线 MRI 作为条件引导合成（模型输入）。为评估 IP-DDGAN 与对比方法的性能，采用多种进展轨迹 （包括 CN→CN、CN→MCI、MCI→MCI、MCI→AD 和 AD→AD），评估指标涵盖图像保真度、真实感、采样效率、形态学、脑龄、图灵式测试和受试者层面一致性。（很全面的评估体系）
2.1、定量图像保真度评估
在 AIBL 数据集上的定量图像保真度结果见 表 1。本文提出的 IP-DDGAN 在 PSNR、SSIM 和 MMD 指标上均取得最优结果 。在所有进展轨迹中，IP-DDGAN 的 PSNR 均大于 30 dB，SSIM 超过 0.98，MMD 低于 8×10⁻⁴。本文观察到，72个月随访（M72）MRI 的 PSNR 和 SSIM 值略低于 36 个月随访（M36）MRI。DDPM 和 LDM 同样可在未来时间点生成高质量MRI（补充表 1、2、3）。（工程图像质量评价指标）
为进一步检验 IP-DDGAN 的泛化能力，本文在 OASIS2 数据集上针对三种纵向轨迹 （CN→CN、AD→AD 和 CN→AD）补充了实验。与 AIBL 数据集结果一致，IP-DDGAN 在 PSNR、SSIM 和 MMD 方面整体表现最佳 ，各轨迹下 PSNR 均高于 31 dB，SSIM 约为 0.98，且 MMD 始终保持最低（补充表 4）。
此外，本文可视化了真实图像与合成图像之间的误差图。如 图 2 所示，**IP-DDGAN 生成的预测纵向 MRI 更接近真实 MRI，显示出其在捕捉结构细节方面的优越能力。**该模型能够准确捕捉多种疾病进展轨迹下的结构变化，甚至涵盖从 CN 到 MCI 以及从 MCI 到 AD 的转化过程。本文还发现，CycleGAN、DDPM 和 LDM 同样能够随疾病进展准确捕捉脑室的结构变化。
然而，SAGAN 和 CGAN 生成的合成纵向图像较为模糊且含有噪声。不同生成模型的采样时间见 补充表 1。值得注意的是，尽管计算量（FLOPs）更少，IP-DDGAN 的推理时间相比 DDPM 提升了 180 倍。该结果表明，采用非高斯分布假设显著提高了采样速度（补充表 5，补充图 2）。
**Table 1 | ：**由 IP‑DDGAN 生成的合成纵向磁共振图像的定量图像质量评估，基于随访间隔为 3 年与 6 年的真实疾病进展轨迹数据集。
**Figure 2 | 不同生成模型生成的合成磁共振图像：**本文采用多组疾病进展轨迹（包括认知正常转认知正常、认知正常转轻度认知障碍、轻度认知障碍转轻度认知障碍、轻度认知障碍转阿尔茨海默病、阿尔茨海默病转阿尔茨海默病），对 IP‑DDGAN 与其他对比方法的性能开展评估。本文可视化展示了间隔三年与六年随访的合成图像与真实图像，用以刻画认知正常、轻度认知障碍以及阿尔茨海默病的疾病进展轨迹。
2.2、形态学评估
评估合成图像的质量对于其在下游任务中的应用至关重要。对所有受试者的合成纵向 MRI 与真实纵向 MRI 进行分割，分为灰质、白质和脑脊液三类 ，以此评估二者形态学上的相似性。采用 SPM12 工具箱进行脑组织分割。每例 MRI 中，246 个灰质区域的体积由 Brainnetome 图谱定义，48 个白质区域由 JHU ICBM DTI 图谱定义。补充图 3 展示了脑组织分割结果。（以分割关键组织进一步证实生成准确度）
与对比方法相比，IP-DDGAN 在灰质、白质和脑脊液的形态相似性上均表现更优（平均 Dice 系数为 0.97 ± 0.01，平均 Jaccard 指数为 0.94 ± 0.01）。本文注意到，所有算法在灰质和脑脊液的形态相似性上均持续高于白质，这可能是因为脑脊液在 T1 加权 MRI 中通常对比度较低，且分割难度较大导致变异性更高。
对灰质和白质体积 进行了双样本 t t t 检验（分割衍生计算指标），以比较纵向 MRI 和合成 MRI 中 AD 与 CN 的组间差异。如 图 3 所示，合成 MRI 中 AD 与 CN 的组间差异与纵向 MRI 所观察到的结果高度一致。合成 MRI 所显示的组间差异定位了海马区、壳核、颞中回和颞上回、尾状核、岛叶区域、丘脑后辐射和胼胝体压部等与疾病相关的改变，这些区域与既往研究报道的 AD 与 CN 差异相符。
在所有受试者中，通过计算真实数据与合成数据之间差异的效应量 （Cohen's d）来量化区域灰质体积的合理性（两组数据差异程度大小的量化指标）。如 补充图 4 所示，246 个区域中有 159 个（65%）呈现小效应量（|d|<0.2），82个（33%）呈现小到中等效应量（0.2<|d|<0.5），5个（2%）呈现中到大效应量（|d|>0.5）。海马、内嗅皮层、海马旁回和后扣带回与纵向随访 MRI 相比始终表现出较低的效应量。上述结果表明，IP-DDGAN 生成的 MRI 能够精准捕捉不同疾病进展轨迹中与形态学相关的变化。
邀请三位资深神经放射科医生对合成 MRI 图像进行两部分评估。第一项任务中，专家需对 50 张合成图像和 50 张纵向图像进行分类，若分类准确率为 50%，则表明专家难以区分真实与合成图像（图灵测试）。第二项任务中，专家依据组织边界真实感、脑室形态和脑脊液信号强度等指标，对 40 名受试者的基线和纵向 MRI 进行评分（主观评分图像质量），评分范围 0 至 5 分。如 表 2 所示，专家对合成纵向 MRI 的评估准确率为 53%，组织边界真实感评分为 4.58±0.51，脑室形态合理性为 4.54±0.55，纵向一致性为 4.39±0.85。这些结果表明，本模型生成的合成纵向 MRI 能够在解剖真实感和受试者身份保持方面表现出良好性能。
**Figure 3 | ADNI 数据集中认知正常（CN）与阿尔茨海默病（AD）的灰质、白质体积差异 t t t‑统计量图：**统计结果经过多重比较校正（ p < 0.05 p < 0.05 p<0.05）。
**Table 2 | 合成纵向 MRI 质量的专家评估：**准确性、组织边界真实性、脑室形态合理性及纵向一致性。
2.3、元数据的定量可控生成评估
本文定量评估了年龄、性别和诊断标签 等条件因素对纵向 MRI 合成的影响。图 4 展示了同一受试者在不同年龄下的合成结果。随年龄增长，全脑呈现渐进性弥散性萎缩，脑室逐渐扩大。我们还观察到，合成图像中灰质与白质之间的对比度随年龄增长而下降 。此外，在疾病状态和衰老的共同影响下，脑结构萎缩在 CN、MCI 和 AD 三组中呈现逐步加速的趋势。（年龄因素）
为验证真实数据与合成数据中的性别差异 ，我们选取 CN 组中 83 名男性和 92 名女性的灰质体积进行双样本 t t t 检验。如 图 5a 所示，合成数据中性别差异的模式与真实数据显著相关（R=0.89，p<0.001）。合成数据所显示的性别差异表明，男性在基底节、额上回、楔前叶和中央后回等区域灰质体积大于女性，而女性在颞叶、扣带回和杏仁核等区域灰质体积大于男性，该结果与既往研究一致。（性别因素）
保持各类别属性对于合成纵向数据至关重要。利用合成 MRI 数据在所有进展轨迹上进行了组间差异分析 。如 图 5b 所示，合成 MRI 与真实 MRI 在组间灰质体积差异上高度一致（CN 与 MCI 比较：R=0.95，p<0.001；MCI 与 AD 比较：R=0.93，p<0.001；CN 与 AD 比较：R=0.93，p<0.001）。这表明 IP-DDGAN 合成的纵向 MRI 能够保留诊断标签信息。上述结果表明，合成 MRI 保留了生物学及疾病相关表型，同时也验证了元数据引导模块的有效性。
Figure 4 | 年龄与疾病对合成纵向 MRI 数据的影响：
Figure 5 | 合成纵向 MRI 数据的生物学有效性：
（a）性别对合成纵向 MRI 数据的影响。
（b）疾病状态对合成纵向 MRI 数据的影响。
2.4、脑龄评估
测量脑龄对于验证模型能否有效捕获疾病进展中时间依赖的生物学表型变化至关重要。（衍生验证任务）本文训练了一个基于 Fork-SE 的模型来预测脑龄。该网络架构融合了 Inception 的多分支设计、ResNet 的捷径连接、Squeeze-and-Excitation 模块的注意力机制以及对比学习，从而增强了特征提取能力。
在 Cam-CAN 数据集上训练该脑龄预测模型，并在 AIBL 数据集的基线 MRI 上评估其性能，模型取得了 3.28 年的平均绝对误差（MAE）。由于特定进展轨迹 内受试者数量有限，脑龄差距的方差过大，因此将所有 MRI 按诊断标签划分为三组进行分析。表 3 展示了不同生成模型预测的脑龄差距。
纵向 MRI 中三组的脑龄差距分别为：CN 受试者 3.84 年，MCI 患者3.95年，AD 患者4.77年。本文提出的 IP-DDGAN 在三组中均取得了相当的平均绝对误差。本文还观察到预测脑龄与实际年龄之间存在强相关性 。此外，所有患者组的脑龄差距均显著大于认知正常组。这些结果说明，合成 MRI 能够捕获与疾病进展相关的潜在生物学表型变化。
Table 3 | 基于不同方法生成的真实及合成 MRI 影像的脑年龄预测性能：
2.5、身份一致性评估
在纵向 MRI 合成任务中保持受试者身份至关重要。采用预训练的 SqueezeNet 模型从真实图像和合成图像中提取潜在特征，并分别计算类内和类间余弦相似度，进一步通过 Mann-Whitney U 检验评估两组间的统计学差异。
如 表 4 所示，本文提出的 IP-DDGAN 取得了最高的类内相似度 （0.98±0.01），同时保持较低的类间相似度 （0.93±0.01），且差异具有统计学意义（p<0.001）。相比之下，其他对比生成模型在保持身份特异性表征方面效果欠佳。值得注意的是，在 OASIS2 数据集上观察到了相似趋势，IP-DDGAN 在身份一致性方面表现最佳，类内与类间相似度差异显著（补充表 6）。以上结果表明，IP-DDGAN 在身份一致性方面具有明显优势。
Table 4 | 在 AIBL 数据集上比较不同生成方法在个体内及个体间相似性方面的表现：
2.6、消融实验：各组件贡献评估
本文开展了额外的消融实验，以考察身份保持正则化损失权重、元数据引导模块和对抗组件 对合成纵向图像质量和身份一致性的影响。结果表明，元数据引导模块和对抗组件显著提升了合成纵向图像的身份一致性，图像质量也有所改善（PSNR 为 31.62±2.18，SSIM 为 98.62±0.01，MMD 为 0.66±0.55）（补充表 7、8）。选择合适的身份保持正则化损失权重和扩散步数参数，可在保持受试者身份一致性的同时显著改善图像质量（补充表 9、10、11）。上述实验结果详见 补充材料 S08。
Table 5 | ADNI 、 AIBL 、OASIS 及 Cam-CAN 数据集中研究参与者的人口统计学与临床特征：
3、讨论
数字孪生这一概念源自工程领域，在医疗健康中用于构建个体虚拟模型，并通过真实世界数据持续更新。基于此理念，本文开发了一种新型身份保持去噪扩散生成对抗网络 ，能够生成个体特异、形态保持的 AD 脑部纵向三维 MRI。IP-DDGAN 中融入元数据引导模块 和身份保持正则项 以保留个体信息。采用涵盖形态学和图像层面指标的综合性评估框架，从图像保真度、形态学、元数据可控生成、脑龄、图灵式测试和身份一致性等方面严格评估模型性能。定量结果表明，本模型在纵向 MRI 合成中达到当前最优水平，能有效量化正常衰老相关的解剖变化，并准确捕捉 AD 引起的加速结构改变。（提出 IP-DDGAN 模型及其综合评估框架，验证其在纵向合成和疾病相关结构变化捕捉上的优越性。）
数十年来，AD 进展预测一直是难题，原因在于疾病轨迹的高度异质性和长随访间隔纵向数据的稀缺 。近年来生成模型在捕捉真实的衰老及疾病进展变化方面展现出潜力。在此基础上，本文开发了 IP-DDGAN 以生成解剖可信、个体特异的 AD 疾病轨迹。该方法能准确捕捉 AD 进展中的脑室扩大和海马萎缩。既往研究表明，脑室的遗传结构显著重叠于包括 AD、精神分裂症和抑郁症在内的主要神经精神疾病风险位点，提示脑室大小和形态不仅是神经退行性病变的下游标志，也是连接分子风险因素与宏观脑变化的遗传特征。基于此，本文认为合成纵向影像可为探究遗传负荷如何随时间转化为个体特异性形态改变提供可扩展的框架。进一步，借助这些合成 MRI，可识别具有快速进展风险的高危个体，促进早期干预和资源优先配置。（强调 AD 进展预测的难点，指出 IP-DDGAN 能生成个体化疾病轨迹，并可用于识别高风险个体，具有临床转化潜力。）
纵向神经影像研究的核心在于追踪个体特异性脑变化轨迹，而非群体平均趋势。因此，任何可用的合成数据集都应保留受试者身份和真实数据的统计特性。既往研究常依赖 L1/L2 损失、感知损失或循环一致损失来保留个体特征，但这些方法因侧重最小化全局重构误差而容易忽略细微解剖特征。**本方法引入元数据引导模块和身份保持正则项来维持受试者身份。**结果表明，IP-DDGAN 支持基于年龄、性别和诊断标签的可控纵向 MRI 生成，且受试者相似性分析证实其能在区分不同个体的同时保留个体特异性保真度。（指出既往方法在身份保持上的不足，说明本模型通过元数据引导和正则项有效解决了这一问题，实现了可控生成和个体区分。）
在纵向 MRI 合成中，优化高质量采样、样本多样性和快速采样对于保证生成数据的临床实用性至关重要。本研究挑战了扩散模型中去噪分布服从高斯分布的传统假设，转而采用条件 GAN 生成器来捕获非高斯分布特性，从而实现更高效、更快速的合成。然而，该方法增加了模型复杂度和参数量，导致计算需求升高。尽管资源消耗增加，IP-DDGAN 的推理时间相比 DDPM 提升了 180 倍，且模型容量的增加也伴随合成纵向 MRI 图像质量的改善。（说明本模型通过打破高斯假设、引入条件 GAN 来同时兼顾三重要求，虽增加了计算量，但显著加速了推理并提升了图像质量。）
身份保持损失在生成高质量纵向医学图像中至关重要。既往方法常难以维持合成 MRI 的受试者身份，部分方法虽通过对抗损失提升图像真实感，却未能充分保留个体特异性特征，导致纵向合成中身份不一致。本文的方法整合了对抗损失、自重建损失、感知损失和身份保持损失 ，有效应对这一挑战。实验表明，这些损失共同提升了图像真实感和受试者一致性，有助于生成高质量且可靠的纵向 MRI。（强调身份保持损失的必要性，并说明本模型通过多种损失函数的整合，同时提升了真实感和身份一致性。）
当前医学图像合成的评估指标多沿用自然图像评价指标（如 PSNR、SSIM、MMD、FID），虽能评估像素级保真度或感知相似性，却无法评判生成模型对合成 MRI 形态完整性的保持能力。为此，本文建立了涵盖图像保真度、形态学、可控元数据生成、脑龄、图灵式测试和身份一致性的综合评估框架 。本方法在多项指标上表现优异，为下游分析提供了可靠基础。然而，合成医学图像涉及的伦理问题 是所有生成模型共同面临的挑战。需强调，这些合成 MRI 仅用于科研和临床决策辅助工具，不能取代临床判断或独立用于诊断。
此外，本框架存在若干局限 ：其有效性依赖于纵向训练数据的可用性和多样性，这对于捕捉晚期疾病进展复杂性至关重要；更长时间跨度的进展预测仍具挑战，因为长期神经退行性变化本身具有不确定性；现实临床纵向数据常含噪声、不完整且采样不规则，给疾病建模带来额外困难。未来工作将纳入更多样化的纵向数据集和多模态临床数据，以进一步提升 IP-DDGAN 的临床适用性。（指出现有评估指标的不足，提出综合评估框架；同时明确伦理局限和模型局限性，并展望未来改进方向。）
预测疾病进展对临床是有挺大帮助的！