使用常规临床和MRI数据的机器学习预测与风险分层：阿尔茨海默病12个月认知下降

为何预测记忆衰退很重要

阿尔茨海默病会逐渐夺走人的记忆与思维能力，但不同人的衰退速度并不相同。有些患者在一年内在简单认知测验上掉几分，而另一些则相对稳定。若能在诊断时就判断谁可能迅速恶化，医生便可据此安排复诊频率、支持家庭并挑选合适的临床试验参与者。本研究探讨能否将许多记忆门诊常规收集的信息——简短的认知测试和常规脑部影像——与现代计算方法结合，用以预测谁在未来12个月内会出现衰退。

研究对象与测量内容

研究者使用了阿尔茨海默病神经影像学倡议（Alzheimer’s Disease Neuroimaging Initiative）的数据，该项目长期随访存在记忆问题的人群，使用标准化测试和脑影像。他们聚焦于306名已确诊阿尔茨海默病且在基线和一年后均完成迷你精神状态检查（MMSE）的人。将12个月内MMSE下降3分或以上视为有意义的认知衰退。基线时，每位参与者提供年龄、性别和受教育年限等基本信息，完成若干详细的认知与日常功能问卷，并接受脑部MRI以测量与记忆相关关键脑区的体积。

计算模型如何构建

为评估是否可预测短期衰退，团队构建并比较了两类预测工具。第一类是较为直接的统计公式，仅使用门诊常用的少量指标：年龄、性别和两个标准认知测试得分。第二类是更灵活的机器学习模型——随机森林，它可同时考虑全部临床量表与MRI指标，如海马体积和脑脊液腔隙大小。数据被反复划分为训练集和测试集，以保证对每位参与者的预测都来自一个尚未“见过”该人的模型，模拟该工具在新患者中的表现。

模型的预测表现如何

约43%的参与者在12个月内出现了有意义的MMSE下降。两种方法在识别这些个体方面均优于随机猜测。简单的临床模型达到了医学预测工具中通常称为“中等”水平的性能。随机森林整体表现略优，且重要的是在广泛的实际风险阈值范围内显示出更大的“净效益”。净效益是一种将正确与错误预测与基于这些预测采取行动后果（例如决定哪些患者需更密切监测或考虑更强化的护理）权衡的方法。尽管更复杂的模型并非完美且显示出一定的过拟合迹象，但它在多种情形下持续比假设所有人都会衰退或无人会衰退的策略提供更有用的指导。

将概率转为低、中、高风险

为便于临床使用，研究者将模型输出转换为三个简单的风险等级。预测衰退概率低于四分之一者构成低风险组；其中只有约八分之一实际发生衰退，且其平均测试分数在一年后几乎无变化。中间组的衰退概率约为三分之一，平均损失约1.5分MMSE。高风险组的预测概率高于二分之一，大约有三分之二的患者出现衰退，平均损失超过4分MMSE。这种清晰的阶梯式模式表明模型的概率输出可以被转化为实际可用的类别，从而指导患者随访频率以及哪些人应优先列入试验或进行额外检查。

对患者与门诊的意义

研究显示，通过将常规记忆测试与标准MRI扫描结合，并用现代计算方法分析，可以对个体阿尔茨海默患者在未来一年内出现明显衰退的风险做出中等准确度的估计。尽管该工具在投入日常临床使用前仍需在不同医院与更具多样性的人群中进行验证与校准，但它指向一种前景：根据每个人可能的病程轨迹定制随访安排和试验入组，而不是把所有患者都视为病情以相同速度进展。

引用: Geng, Y., Zhang, H. Machine-learning prediction and risk stratification of 12-month cognitive decline in Alzheimer’s disease using routine clinical and MRI data. Sci Rep 16, 12227 (2026). https://doi.org/10.1038/s41598-026-43321-1

关键词: 阿尔茨海默病, 认知下降, 机器学习, 脑部MRI, 风险分层