目前全球人口老龄化进展严重，中国已成为世界上老龄化最快的国家之一，随之而来的是老年相关疾病的高发，其将导致沉重的社会经济和医疗负担。阿尔茨海默病(Alzheimer’s disease，AD) 是一种与年龄密切相关的神经退行性疾病，也就是最常见的老年痴呆。目前，全球约有5,000万人罹患阿尔茨海默病。随着人类平均寿命增长，老年化社会加剧，阿尔茨海默病的患病率也在不断上升，预计到2050年，阿尔茨海默病患者将增加至1.5亿以上。但是目前仍然缺乏对其行之有效的预防与治疗手段，阿尔茨海默病的早期诊断和防治已经成为亟需解决的重大科学和社会问题。这一现状也督促研究人员投入更多的精力去挖掘脑疾病背后的原由，从而开发更加精准、有效的诊疗措施。
最近，杭州电子科技大学《视听认知健康与智能影像分析评价》工业和信息化部重点实验室盛锦华教授团队相继在国际顶级期刊《Computers in Biology and Medicine》和国际神经影像科学权威期刊《Cerebral Cortex》上分别发表了题为“Enhanced Harris hawks optimization-based fuzzy k-nearest neighbor algorithm for diagnosis of Alzheimer’s disease”, “A Hybrid Multimodal Machine Learning Model for Detecting Alzheimer’s Disease”, and “Glucose–oxygen coupling can serve as a biomarker for neuroinflammation-related genetic variants”多篇论文，对阿尔茨海默病发生、发展机制展开深入研究与探索，做了一些有益的尝试。由中国科学院、中国工程院、国家自然科学基金委共同主办的《科学网》(https://news.sciencenet.cn/htmlnews/2024/3/519698.shtm)报道了他们最新研究成果。
1. 2023年10月发表在《Computers in Biology and Medicine》上的论文“Enhanced Harris hawks optimization-based fuzzy k-nearest neighbor algorithm for diagnosis of Alzheimer’s disease”[1]提出了一种新颖的名为SSFSHHO的机器学习改进模型。在30个典型基准测试问题上，与其它经典元启发式算法、改进的HHO(Harris-Hawks Optimization)算法以及增强元启发式算法的比较结果表明，SSFSHHO的总体性能明显优于其它比较算法。此外，将提出的基于SSFSHHO-FKNN模型创建的框架应用于使用来自ADNI(阿尔兹海默神经影像计划)数据集的脑影像对AD和MCI(mild cognitive impairment)进行分类，对6个代表性病例实现了高分类性能。实验结果表明，该算法的性能明显优于许多高性能优化算法和经典机器学习算法，为AD精准分类提供了一种很有前景的方法，所提出的策略还成功地识别脑影像特征在AD演变过程中的变化。
该论文第一作者为杭州电子科技大学在读博士研究生张谦，第二及通讯作者为杭州电子科技大学盛锦华教授；共同作者还有北京医院(/国家老年医学中心)专家，杭州电子科技大学在读博士研究生汪露雲、杨泽、辛雨。该研究受到国家自然科学基金面上项目资助。
2. 2024年1月发表在《Cerebral Cortex》上的论文“Glucose–oxygen coupling can serve as a biomarker for neuroinflammation-related genetic variants”[2]指出神经炎症介导的神经元功能障碍与巨噬细胞刺激蛋白1(MST1)的激活密切相关，针对神经炎症伴随的小胶质细胞过度激活会引起糖代谢的增加，提出利用氟脱氧葡萄糖正电子发射断层扫描(FDG PET)和低频率波动振幅(ALFF)之间的相关性做为小胶质细胞过度激活和神经元损伤的影像标志物。试验结果显示，在121名认知障碍患者中，携带MST1 rs3197999风险等位基因的患者在前额叶皮质区域的葡萄糖和氧代谢耦合显著减弱。此外，rs3197999风险等位基因与临床痴呆评分增加速率较高相关，其介导因子为葡萄糖和氧代谢的耦合。研究结果揭示了MST1 rs3197999多态性与认知弹性之间的密切关联。这种关系通过糖氧耦合介导，并独立于代谢和淀粉样蛋白病理。该研究表明，前额叶皮质区域的糖氧相关系数可以有效预测认知弹性的变化。从临床角度来看，研究结果的发现鼓励未来进一步深入研究，MST1 rs3197999可能成为药物开发的靶点，为AD或其他神经退行性疾病的临床治疗提供新的途径。
该论文第一作者为杭州电子科技大学在读博士研究生杨泽，第二及通讯作者为杭州电子科技大学盛锦华教授；共同作者还有北京医院(/国家老年医学中心)专家，杭州电子科技大学在读博士研究生辛雨、汪露雲、张谦、王彬冰。该研究受到国家自然科学基金面上项目资助。
3. 2024年2月发表在《Computers in Biology and Medicine》上的论文“A Hybrid Multimodal Machine Learning Model for Detecting Alzheimer’s Disease”[3]针对单模态神经影像数据在AD诊断中存在的局限性，通过融合互补的生物标志物的多模态数据，作者提出了一种多模态机器学习框架。该模型整合了磁共振成像(MRI)、正电子发射断层扫描(PET)和脑脊液(CSF)检测结果，以增强对AD的表征。提出的一种混合算法，将改进的群智能优化(简称为ILHHO)与核极限学习机(KELM)相结合，实现了同时进行特征选择和分类。ILHHO通过整合迭代映射(IM)来提高种群多样性和局部逃逸算子(LEO)来平衡探索和开发，增强了HHO的搜索效率。与其他改进的HHO算法、经典元启发式算法(MHAs)以及最新的MHAs在基准函数上的比较分析表明，ILHHO在优化性能上优于其它比较算法。采用协同ILHHO-KELM模型对202名阿尔茨海默症神经影像学计划(ADNI)受试者进行评估。实验结果表明，在单一模态性能的基础上，多模态分类准确性显著提高，验证了融合异质性生物标志物的重要性。另外，判别特征分析进一步揭示了MRI和PET检测到的不同AD相关神经退行模式的见解。PET和MRI特征的差异展示了这两种模态提供互补的生物标志物。所选特征的神经解剖学相关性支持ILHHO-KELM提取敏感AD成像标志的潜力。该研究展示了通过先进的特征学习技术利用互补多模态数据来改进AD诊断的优势。
该论文第一及通讯作者为杭州电子科技大学盛锦华教授，第二作者为杭州电子科技大学在读博士研究生张谦；共同作者还有北京医院(/国家老年医学中心)专家，杭州电子科技大学在读博士研究生汪露雲、杨泽、辛雨、王彬冰。该研究受到国家自然科学基金面上项目资助。
论文链接：
[1]. https://doi.org/10.1016/j.compbiomed.2023.107392
[2]. https://doi.org/10.1093/cercor/bhad520
[3]. https://doi.org/10.1016/j.compbiomed.2024.108035
