Revealing Cortical Spreading Pathway of Neuropathological Events by Neural Optimal Mass Transport.
研究背景
神经退行性疾病如阿尔茨海默病、帕金森病，以神经系统进行性退化为主要特征，病理性蛋白的脑内动态传播是疾病进展的核心驱动因素。现有研究多聚焦静态病理负担模式，缺乏对病理动态传播机制的深入解析，无法精准预测个体层面的疾病进展。本研究通过构建新模型解决这一问题，为个性化疾病进展预测提供新方案。
方法速览
研究者将神经病理负担的动态传播问题重构为最优质量传输（OMT）问题，构建了Neural OMT模型。模型包含两个核心模块：流调整器通过图卷积网络和多层感知器参数化群体级的OMT动态，流驱动器用于预测未知个体的病理传播流场。模型通过最小化Wasserstein-1距离完成优化，引入对偶变量解决非可微问题，兼顾了模型的鲁棒性与解释性。
主要发现
- 预测准确性优于现有模型
Neural OMT在预测未来tau蛋白积累上表现出显著优势，在ADNI、OASIS公开数据集上，预测结果与实际tau值高度相关，平均绝对误差、均方根误差等指标均优于现有深度学习模型。
- 有效捕捉病理传播模式
模型可清晰揭示tau蛋白在阿尔茨海默病不同阶段（从认知正常到确诊AD）的皮层传播路径，证实疾病人群的tau传播范围远大于健康人群，且颞叶在tau传播中发挥关键作用。
- 跨疾病适用，泛化性强
在帕金森病PPMI数据集上，模型成功预测了帕金森病人群的皮层厚度减少趋势，准确还原了「皮下区域起始，前驱期扩展至全脑」的变化规律，证明模型可适用于多种神经退行性疾病。
4.解释性强，计算效率可控
模型可明确估计病理的传播方向，输出结果用于早期疾病诊断的准确性与真实纵向数据相当，具备临床应用潜力。尽管复杂度高于传统线性模型，但处理16万节点的图数据时，单样本训练和推理时间均在可接受范围。
总结与展望
本研究创新性结合物理学最优传输原理与深度学习技术，提出了一种高准确性、高解释性的神经病理传播研究新方法，可跨阿尔茨海默病、帕金森病实现疾病进展预测。目前模型仅聚焦皮层表面的病理传播，后续还需进一步探索tau沿白质纤维、皮下区域的传播，补充分析传播速度、组间差异等细节，进一步提升其临床诊断价值。