基于单次磁共振成像预测阿尔茨海默病的分类与连续结局

深度学习（DL）在预测阿尔茨海默病（AD）诊断方面已展现出成功，但认知评估等连续指标对于更全面的预后分析、病程追踪及临床试验人群筛选仍至关重要。当前神经认知测试组合耗时较长，而少数预测认知水平的DL模型需依赖昂贵的多模态神经影像与纵向数据。尽管磁共振成像（MRI）是临床最易获取的模态，但单独使用时在现代DL框架中难以捕捉AD的异质性。我们提出一种多任务DL策略，将领域知识与大型预训练模型结合，仅使用基线MRI和人口统计学数据即可预测认知评分。通过定制损失函数并利用组织分割调优的潜在表征作为正则化特征，该方法无需依赖纵向数据、多模态或专用神经影像数据。这一融合知识的跨任务框架仅通过单次基线扫描即可实现精准诊断、脑区分割以及当前与未来认知评分预测，对早期诊断、预后评估和临床试验设计具有广泛意义。