基于TabDDPM表格扩散增强与晚期融合深度学习的阿尔茨海默病认知障碍分类改进

《Frontiers in Bioinformatics》:Improving cognitive impairment classification in Alzheimer’s disease using tabular diffusion augmentation and late fusion deep learning

【字体: 大 中 小 】 时间:2026年10月22日 来源:Frontiers in Bioinformatics 3.6

编辑推荐:

  背景:阿尔茨海默病(Alzheimer’s disease, AD)是痴呆最常见的病因,通常在大量神经退行性变已经发生后才会被检出。利用遗传和人口学数据区分认知障碍个体与认知正常个体,有助于刻画遗传因素对认知障碍的贡献。深度学习能够捕捉这些特征之间复杂的非线性

  
背景:阿尔茨海默病(Alzheimer’s disease, AD)是痴呆最常见的病因,通常在大量神经退行性变已经发生后才会被检出。利用遗传和人口学数据区分认知障碍个体与认知正常个体,有助于刻画遗传因素对认知障碍的贡献。深度学习能够捕捉这些特征之间复杂的非线性遗传关系,但其在临床基因组学中的应用受限于患者队列规模较小。方法:研究人员评估了基于TabDDPM的合成增强能否利用人口学和APOE区域基因型特征改善认知障碍的横断面分类。从542名ADNI参与者中,研究人员构建了一个分层的433人开发队列(80%)和一个109人保留队列(20%)。采用重复分层5折交叉验证(10次重复)评估了8种预测模型。外层训练划分中的346或347名参与者被分为三个内部TabDDPM子集:80%用于生成器训练,10%用于超参数选择,10%保留用于内部生成器评估。将运行特异的合成样本以3倍、5倍、7倍和10倍增强率添加到外层训练划分中。随后,在109人保留队列上评估所选预测模型配置及增强率。结果:合成数据显示出与真实队列相似的人口学结构和常见变异基因型分布。合成增强提高了非线性模型的平均AUC。最佳模型为分类晚期融合神经网络,在7倍增强下平均交叉验证AUC为0.781,而仅使用真实数据为0.738。在7倍与0倍比较中,内部交叉验证分析得出原始配对DeLong p值为0.0012,Holm校正后p值为0.03。在109人保留队列中也观察到该改善:AUC从0.721升至0.769,敏感度(0.68至0.77)和特异度(0.58至0.66)均获提升。结论:这些结果表明,合成数据增强可以改善数据受限的临床基因组分类中的深度学习性能。该方法并不替代真实患者数据,但可以帮助模型从样本量有限的队列中学习更稳定的模式。由于该框架使用标准的表格基因组和人口学特征,它可能扩展到其他个体水平患者数据受限的基因组分类任务。
阿尔茨海默病(Alzheimer’s disease, AD)是痴呆最常见的病因,全球痴呆患者预计到2050年将达1.39亿。AD具有漫长的临床前病理过程,β-淀粉样斑块和tau神经原纤维缠结在症状出现前已悄然累积,因此早期识别认知障碍具有重要意义。AD具有强遗传成分,其中载脂蛋白E(apolipoprotein E, APOE)ε4等位基因是晚发型AD最重要的遗传风险因素,杂合子风险升高3至4倍,ε4/ε4纯合子风险可高达15倍。APOE区域还表现出非加性遗传效应,如SNP-SNP交互作用独立于主要ε4效应影响AD相关神经影像表型,这类非线性关系需要能够表征非加性效应的模型。深度学习具备通用近似能力,可捕获输入特征与结局之间的复杂非线性关系,但临床基因组队列往往仅包含数百名参与者,远低于神经网络稳定训练所需的样本量,数据稀缺成为其应用的主要障碍。近年来,扩散模型等生成模型为合成数据提供了新途径;表格去噪扩散概率模型(Tabular Denoising Diffusion Probabilistic Models, TabDDPM)能够处理包含连续与分类特征的混合型表格数据,适合临床基因组数据中SNP基因型状态与人口学变量并存的特点。然而,TabDDPM在小规模临床基因组分类中的应用尚未充分探索。为此,研究人员利用ADNI队列的APOE区域SNP和人口学特征,评估TabDDPM合成增强能否改善认知障碍分类性能,并设计能够学习非加性基因型效应的分类嵌入与晚期融合网络,以缓解小样本对深度学习的限制。

研究人员从阿尔茨海默病神经影像学倡议(Alzheimer’s Disease Neuroimaging Initiative, ADNI)1期和2期全基因组测序数据中提取APOE区域168个SNP,经质量控制后最终纳入542名参与者,按80/20分层随机划分为433人开发队列和109人保留队列,保留队列仅用于最终评估。以认知正常(cognitively normal, CN)与认知受损(轻度认知障碍(mild cognitive impairment, MCI)+AD合并)作为二分类目标,采用TabDDPM按诊断类别生成合成样本,并以0×、3×、5×、7×、10×比例加入到各外折训练分区。在开发队列上,通过重复分层5折交叉验证(10次重复,50轮外运行)比较8种预测模型,包括岭逻辑回归、无正则化逻辑回归、XGBoost、CatBoost、早融合和晚期融合神经网络(各含数值与分类基因型编码),以平均AUC为选择依据。结果显示,合成增强显著提升了非线性模型性能;最佳配置为分类晚期融合神经网络,7×增强时平均交叉验证AUC由0.738升至0.781,配对DeLong检验原始p值为0.0012,经Holm校正后为0.03。在109人保留队列上,该模型AUC由0.721升至0.769,敏感度由0.68升至0.77,特异度由0.58升至0.66,参与者级配对bootstrap的偏倚校正加速(bias-corrected and accelerated, BCa)95%置信区间均排除零。保真度分析表明,TabDDPM良好再现了年龄、教育的分布及性别-诊断构成,但常见变异保留优于罕见变异;MAF≥5%的SNP中84%保持多态性,MAF<1%的SNP均变为单态,未发现合成样本与真实样本完整基因型向量的精确重复。这一方法不替代真实患者数据,但可为样本量有限的临床基因组分类提供更稳定的学习信号,且框架不依赖疾病特异性输入,有望推广至其他个体数据受限的基因组分类任务。

本研究所采用的主要关键技术方法如下:真实样本来源于ADNI 1期和2期全基因组测序,经质量控制后获得542名参与者,形成433人开发队列与109人保留队列;使用TabDDPM对连续特征(年龄、教育)实施高斯扩散、对分类特征(性别、SNP基因型)实施多项扩散,并以诊断标签为条件生成类条件合成数据;采用重复分层5折交叉验证(10次重复)评估8种预测模型,比较逻辑回归、XGBoost、CatBoost以及早/晚期融合神经网络,并检验数值与分类SNP编码;通过Optuna优化超参数,以MLP分类器在验证集上的宏平均F1分数为目标;采用配对DeLong检验及Holm校正进行统计推断,并用5000次配对分层bootstrap和BCa置信区间评估保留队列结果。

结果部分具体如下:

**3.1 合成数据质量评估**
**3.1.1 人口学与诊断特征保真度**:通过比较合成数据与433人开发队列的核密度曲线、分位数-分位数图及性别-诊断构成,发现年龄和教育分布高度重合,性别比例在各诊断类别中保持一致,表明TabDDPM有效保留了人口学结构和性别-诊断关系。
**3.1.2 SNP特征保真度**:按最小等位基因频率(minor allele frequency, MAF)分层评估,MAF≥5%的31个SNP中有26个(84%)在合成数据中保持多态性;MAF为1%至5%的16个中9个(56%)被保留;MAF<1%的52个均未保留多态性。未发现合成样本的完整168-SNP基因型向量与任何真实样本完全匹配,说明没有发生完整基因型向量的精确复制。
**3.2 模型性能比较**:在8种模型配置和5种增强比例下,非线性模型平均AUC总体随增强增加而提高;分类晚期融合网络在7×增强时达到最高平均交叉验证AUC为0.781,而0×时为0.738,原始配对DeLong p值为0.0012,Holm校正后为0.03。XGBoost和CatBoost也获得改善;增强比例并非越高越好,部分模型在10×时出现下降。额外分析显示,仅人口学逻辑回归AUC为0.701,仅SNP为0.716,RandomOverSampler类平衡对照为0.744,均低于TabDDPM 7×增强的0.781;嵌入维度4、8、16之间性能接近。
**3.3 保留队列评估**:在109人保留队列(37名CN、72名受损)中,分类晚期融合模型训练于7×增强数据后,AUC从0.721升至0.769,敏感度从0.68升至0.77,特异度从0.58升至0.66。参与者级配对bootstrap估计AUC差异为+0.048(95% BCa +0.030至+0.080),敏感度差异+0.09(+0.06至+0.12),特异度差异+0.08(+0.02至+0.11),均具统计学意义。

讨论部分指出,合成增强可能通过平滑训练分布、提供合理特征组合或发挥正则化作用,减少非线性模型对参与者特定变异的过拟合,从而提高决策边界的稳定性。但该优势在逻辑回归中不明显,说明合成增强对能够表征复杂关系的模型更有帮助。晚期融合优于早融合,分类基因型嵌入优于数值编码,提示模型可从非加性基因型状态中获益。增强比例存在有效范围,7×是在本队列中表现良好的设定,而非普遍最优值。保真度结果显示TabDDPM保留常见变异优于罕见变异,这可能解释了其对下游性能的提升;罕见变异因源队列中稀有等位基因极少而难以学习。局限包括:单一ADNI队列、特征限于APOE区域和三个人口学变量、未使用已验证的APOE ε基因型或多基因风险评分作为参考、开发队列中AD样本量少(25人)导致二分类设定、RandomOverSampler对照并非样本量匹配。

研究结论:这些结果表明,合成数据增强可以改善数据受限的临床基因组分类中的深度学习性能。该方法不能替代真实患者数据,但可以帮助模型从样本量有限的队列中学习更稳定的模式。由于该框架使用标准的表格基因组和人口学特征,它可能扩展到其他个体水平患者数据受限的基因组分类任务。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号