自监督学习在影像生物标志物中的谨慎观察：阿尔茨海默病案例研究
机器学习
2026-01-26 v1
摘要
发现敏感且生物学上基于的生物标志物对于早期检测和监测阿尔茨海默病 (AD) 至关重要。结构性 MRI 广泛可用，但通常依赖手工提取的特征，如皮层厚度或体积。我们询问自监督学习 (SSL) 是否能从相同数据中发现更强大的生物标志物。现有 SSL 方法在疾病分类、转化预测和淀粉样蛋白状态预测方面表现不佳，低于 FreeSurfer 提取的特征。我们引入残差噪声对比估计 (R-NCE)，一种新的 SSL 框架，将辅助 FreeSurfer 特征整合进来，同时最大化额外的数据增强不变信息。R-NCE 在多个基准测试中超越传统特征和现有 SSL 方法，包括 AD 转化预测。为评估生物学相关性，我们推导脑龄差 (BAG) 测量并进行全基因组关联研究。R-NCE-BAG 显示高遗传性，并与 MAPT 和 IRAG1 相关，富集于星形胶质细胞和少突胶质细胞，表明对神经退行性和脑血管病变过程具有灵敏性。
引用
@article{arxiv.2601.16467,
title = {A Cautionary Tale of Self-Supervised Learning for Imaging Biomarkers: Alzheimer's Disease Case Study},
author = {Maxwell Reynolds and Chaitanya Srinivasan and Vijay Cherupally and Michael Leone and Ke Yu and Li Sun and Tigmanshu Chaudhary and Andreas Pfenning and Kayhan Batmanghelich},
journal= {arXiv preprint arXiv:2601.16467},
year = {2026}
}