深度学习揭示脑小血管病中血管周围间隙分布与认知障碍的关联

靳渌渊¹，张苗怡²，邹智弘¹，唐杰²，赵麾宇¹，付建辉²，邹卫文¹

（1. 上海交通大学  智能微波光波融合创新中心（imLic）；光子传输与通信全国重点实验室；集成电路学院（信息与电子工程学院），上海 200240；2. 复旦大学附属华山医院 神经内科，上海 200040）

摘  要：血管周围间隙（PVS）空间异质性与认知障碍的关联机制尚未明确。本研究旨在开发一种可解释的深度学习方法预测脑小血管病（CSVD）患者认知障碍，并阐明脑区特异性PVS分布与模型决策模式的关联。这项回顾性研究纳入复旦大学附属华山医院279例动脉硬化性CSVD患者，收集其T1加权MRI图像与认知评估数据。采用蒙特利尔认知评估量表（MoCA）分数二分认知状态（≥26分为认知正常[NC]，<26分为认知障碍[CI]），以进行二分类预测。研究构建双流深度学习模型同步处理原始MRI与PVS分割图像，通过改进的ResNet架构整合多模态特征，并嵌入梯度加权类激活映射（Grad-CAM）来实现决策可视化。量化各脑区PVS体积与热图强度，采用Dice值评估分割效果，准确率、精确率、特异性、敏感性和F1分数作为分类性能指标，空间相关性采用Spearman等级分析。分割方法的Dice值为0.729；分类模型在内部与外部测试集的准确率分别达0.847和0.804，较单模态输入提升8.2和9.0百分点；内部测试集的精确率、特异性、敏感性和F1分数分别为0.787、0.821、0.881和0.831。Grad-CAM可视化显示PVS分布与高热图强度区域空间重叠率达0.841。PVS体积最大的五个脑区依次为基底节区（415.14±28.67）mm³、脑室周围白质（219.37±19.24）mm³、额叶（72.54±6.53）mm³、岛叶（58.56±5.12）mm³和丘脑（45.45±4.01）mm³；热图权重最高的五个区域为额叶（26.45%±2.31%）、脑室周围白质（17.08%±1.52%）、顶叶（15.83%±1.42%）、岛叶（9.36%±0.84%）和基底节区（8.88%±0.79%）。个体患者层面（平均r=0.628，p<0.05）与群体层面（总体r=0.645，p=0.451）均存在显著空间相关性。结果显示不同空间的PVS对认知障碍的影响具有显著脑区特异性；本研究构建的可解释深度学习框架为CSVD相关认知衰退的早期筛查和机制研究提供了新工具。

关键词：血管周围间隙，深度学习，认知功能障碍，脑区异质性，脑小血管病  

扫二维码浏览全文  

Cite this article

Jin, L., Zhang, M., Zou, Z. et al. Deep Learning Reveals the Association Between Perivascular Space Distribution and Cognitive Impairment in Cerebral Small Vessel Disease. J. Shanghai Jiaotong Univ. (Sci.) (2025). https://doi.org/10.1007/s12204-025-2890-9