Объяснимый искусственный интеллект для ранней диагностики болезни Альцгеймера с использованием улучшенных признаков серой корреляции и мультимодальных данных

Почему это важно для семей и стареющих обществ

Болезнь Альцгеймера постепенно подтачивает память, независимость и качество жизни, но к моменту явной постановки диагноза уже нанесён значительный ущерб. В этом исследовании изучается, как новый тип прозрачного искусственного интеллекта может за годы раньше выявлять ранние предупреждающие признаки Альцгеймера, используя повседневные медицинские и данные об образе жизни вместо дорогостоящих сканирований. Показывая не только, кто находится в большей группе риска, но и какие привычки и факторы здоровья имеют наибольшее значение, работа указывает на практические, ориентированные на поведение подходы для замедления или предотвращения ухудшения состояния в пожилых популяциях.

Множество мелких подсказок, скрытых в повседневных данных

Альцгеймер не возникает по одной единственной причине. Возраст, гены, здоровье сосудов, курение, физическая активность, сон и ранние провалы памяти — всё это играет роль. Авторы собрали реальную базу данных из 2149 человек, у каждого из которых было 35 показателей, охватывающих демографию, кровяное давление, холестерин, диабет, сердечные заболевания, привычки образа жизни и простые оценки когнитивных функций. Вместо того чтобы рассматривать каждую меру по отдельности, они разработали составные показатели, которые лучше отражают общие закономерности, такие как соотношение «хорошего» и «плохого» холестерина, отношение показателей давления, комбинированный сосудистый риск и балл «когнитивного снижения», объединяющий забывчивость и нарушения ориентировки. Эти более богатые сигналы помогают отразить, как несколько мелких проблем суммируются в значимый риск.

Обучение компьютеров быть одновременно умными и понятными

Современные методы искусственного интеллекта способны находить тонкие закономерности далеко за пределами человеческой интуиции, но их часто критикуют как «чёрный ящик». Исследователи сравнили широкий спектр подходов — от простой логистической регрессии до продвинутых методов на основе деревьев и глубоких нейронных сетей. Чтобы избежать смещения из‑за меньшего числа случаев Альцгеймера по сравнению с контрольной группой, они применили технику оверсемплинга для создания реалистичных синтетических примеров недопредставленных пациентов, уравновешивая набор данных перед обучением. Их лучшая глубокая нейронная сеть, проходящая информацию через несколько слоёв виртуальных «нейронов» с защитой от переобучения, правильно различала людей с Альцгеймером и без него примерно в 98% случаев на тренировочных данных и около 95% в отдельной клинической тестовой группе.

Ранжирование факторов, действительно определяющих риск

Высокая точность сама по себе в медицине недостаточна; врачам также важно знать, почему модель отмечает человека как высокого риска. Команда решала эту задачу двумя взаимодополняющими способами. Во‑первых, они адаптировали метод, известный как анализ серой корреляции (Grey Relational Analysis), который сравнивает, насколько близко шаблон каждого фактора соответствует шаблону истинных диагнозов. Тщательно нормализовав данные и расширив шкалу оценок, они усилили контраст между более и менее информативными признаками. Это показало, что жалобы на память, повседневные изменения в поведении, высокое кровяное давление, сердечно‑сосудистые заболевания и диабет особенно тесно связаны со статусом Альцгеймера, что подтверждает многолетний клинический опыт и даёт более ясную, основанную на данных, ранжировку.

Открывая «чёрный ящик» с помощью визуальных объяснений

Во‑вторых, авторы применили SHAP — ведущую технику объяснимого ИИ — как к моделям на основе деревьев, так и к глубокой сети. SHAP присваивает каждому фактору своего рода «кредит» за то, насколько он сдвигает прогноз в сторону более высокого или более низкого риска для отдельного пациента. Визуальные сводки показали, что затруднения в повседневной деятельности, функциональные оценки, жалобы на память и скорректированный по возрасту балл когнитивного теста входили в число сильнейших сигналов. Сосудистый риск, соотношение давления, балл образа жизни (объединяющий физическую активность, питание, сон, курение и алкоголь) и семейный анамнез также играли значительную роль. Эти закономерности совпадают с тем, что клиницисты уже наблюдают на практике, что укрепляет доверие к тому, что модель улавливает значимую биологию, а не шум. Авторы также дополнительно проверили работу системы по гендеру, этническим группам и уровню образования, выявив области, где система сбалансирована, и где требуются последующие улучшения справедливости.

Что это может значить для профилактики и ухода

Проще говоря, эта работа показывает, что тщательно спроектированная объяснимая система ИИ может использовать обычные клинические и данные об образе жизни для надёжного выявления людей с риском Альцгеймера, при этом ясно указывая, какие рычаги — такие как контроль артериального давления, отказ от курения, физическая активность и ранние когнитивные симптомы — наиболее важны. Такие инструменты, скорее чем заменять врачей, могут стать панелями раннего предупреждения, помогающими клиницистам и семьям сосредоточиться на модифицируемых рисках задолго до появления тяжёлой потери памяти. При дальнейшем подтверждении на больших и более разнообразных популяциях эта структура может поддержать более персонализированную, ориентированную на профилактику помощь для миллионов людей, столкнувшихся с угрозой деменции во всём мире.

Цитирование: Ullah, W., Dai, Q., Zulqarnain, R.M. et al. Explainable artificial intelligence for early Alzheimer’s diagnosis using enhanced grey relational features and multimodal data. Sci Rep 16, 13856 (2026). https://doi.org/10.1038/s41598-026-43707-1

Ключевые слова: болезнь Альцгеймера, объяснимый ИИ, ранняя диагностика, факторы риска образа жизни, машинное обучение