成果速览|让AI看见大脑变化

近日，MIRACLE团队在国际医学图像处理顶刊 Medical Image Analysis上发表了题为《CLIS: Causality-inspired longitudinal image synthesis and its application to Alzheimer’s disease characterization》的最新研究成果。该工作第一作者为博士生黎雨佳，周少华教授为通讯作者，研究单位包括中国科学技术大学苏州高等研究院、中国科学院大学计算所、江苏省多模态数字孪生技术重点实验室等。

在阿尔茨海默病（AD）的临床诊疗中，医生非常依赖纵向影像去观察病情的演变，但现实里常常缺少长期连续获取的MRI数据。有时候我们手头只有病人的一些临床指标和一两次影像，那未来大脑可能发生什么变化？这类“假设性问题”不仅需要纵向建模能力，也需要模型具备一定的结构化因果推理能力。

图1 纵向影像生成框架CLIS图示

因果启发的纵向影像生成框架 CLIS（Causality-inspired Longitudinal Image Synthesis），如图1所示。该方法首先构建表格变量因果图（Tabular Causal Graph, TCG），用于描述人口统计学变量、临床生物标志物、认知状态以及脑结构体积之间的依赖关系；随后进一步扩展为表格-视觉因果图（Tabular-Visual Causal Graph, TVCG），将低维临床变量与高维三维脑MRI影像统一到同一建模框架中。通过结合结构因果模型、连续时间建模与生成式影像合成模块，CLIS能够在不同随访时间间隔下生成具有临床意义的未来脑影像。

图2 恢复的多模态因果图

与传统医学影像生成方法不同，CLIS并不只是学习“当前图像到未来图像”的直接映射，而是尝试将疾病进展中的多种临床因素纳入统一建模过程，如图2所示。一方面，该方法通过显式建模时间间隔，缓解了真实随访数据中采集时间不一致的问题；另一方面，通过引入表格变量与视觉影像之间的结构化关系，模型能够在生成高质量MRI的同时，进一步分析不同变量变化与脑结构演化之间的联系。

图3 生成的假设性图像的体积变化

该方法在ADNI数据集上进行训练，并在另外两个独立阿尔茨海默病相关数据集上进行验证。实验结果表明，CLIS能够生成具有较高视觉质量和结构一致性的纵向脑MRI影像，同时在脑萎缩趋势、灰质体积变化以及疾病进展表征等方面展现出良好的可解释性。进一步分析显示，生成影像不仅可以用于模拟患者未来脑结构变化，还能够辅助刻画阿尔茨海默病进展过程中的潜在影像学模式，为疾病理解和临床随访分析提供新的研究工具。

图4 生成的反事实图像

在可控生成实验中，研究团队进一步分析了不同临床变量变化对脑影像生成结果的影响。例如，当模型接收到不同生物标志物或脑结构体积变化条件时，生成的MRI能够呈现出相应的脑区萎缩趋势，如图3所示。这说明CLIS不仅具备纵向影像合成能力，也能够在一定程度上反映临床变量与脑结构变化之间的关系。该研究为阿尔茨海默病纵向影像生成、疾病进展分析以及可信医学AI建模提供了一种新的思路。

为了更深入地了解该项工作的幕后故事，有幸采访了论文作者，请其分享科研历程中的心路点滴。

您是如何得到此个工作的灵感的？

这个工作的灵感主要来源于医学影像研究中一个非常实际的问题：临床医生在分析阿尔茨海默病时，往往并不是只看某一次影像，而是更关注患者脑结构随时间的变化。同时，医生也会结合生物标志物、认知评分、年龄等多种信息进行综合判断。我们最初就在思考，现有的医学影像生成模型虽然可以生成比较逼真的图像，但它们是否真的理解了疾病进展背后的临床逻辑？如果我们想问“某个因素变化后，未来脑影像可能会怎样变化”，传统生成模型其实很难直接回答。这个问题逐渐启发我们将纵向影像生成与结构化因果建模结合起来，也形成了CLIS的核心想法。

在过程当中遇到过什么困难，又是如何克服的？

整个过程中比较大的困难来自三个方面。首先，脑MRI是高维三维影像，而临床变量通常是低维表格数据，二者在数据形态上差异很大，如何把它们放到同一个结构中建模并不容易。其次，真实纵向数据的随访时间间隔往往并不一致，有的患者间隔一年，有的可能间隔更久，直接建模会带来较大偏差。第三，医学中的因果机制本身非常复杂，不能简单地把普通因果发现方法直接套用到高维影像任务上。

为了解决这些问题，我们尝试将表格因果图和视觉生成模型结合起来，并引入连续时间建模来处理不规则随访间隔。同时，我们也不断调整模型结构和实验设计，使生成结果不仅在图像质量上可靠，也尽量符合阿尔茨海默病进展中的医学规律。这个过程经历了很多反复，但也让我们更加清楚地认识到，医学影像生成模型不能只追求视觉逼真，还需要关注其背后的临床合理性。

在此个工作当中，有哪些收获？

最大的收获是进一步认识到，医学AI中的“生成”不应该只是生成一张看起来真实的图像，更重要的是生成结果是否符合疾病发展逻辑，是否能够帮助我们理解临床问题。通过CLIS，我们尝试让模型同时考虑纵向变化、临床变量和脑结构演化之间的关系，这也让我们看到因果启发建模在医学影像生成中的潜力。

另外，这项工作也让我意识到，真正有价值的医学AI研究往往需要在工程实现、统计建模和临床问题之间不断寻找平衡。模型性能固然重要，但可解释性、可靠性以及与医学知识的一致性同样关键。未来，我们也希望继续沿着这一方向，探索更加可信、更加贴近临床需求的医学影像智能分析方法。