从单次MRI扫描预测阿尔茨海默病的类别性与连续性结局

这项研究对家庭和医生的重要性

阿尔茨海默病会缓慢侵蚀记忆和思维能力，但判断谁会衰退以及衰退速度通常需要长期、令人疲惫的测试以及专门检查。该研究提出了一个简单却强有力的问题：是否可以仅凭一次常规脑部扫描，加上基本背景信息，来预测某人不仅是否患有阿尔茨海默病，还能预测他们未来几年的认知变化？来自一套新型人工智能系统的答案是谨慎乐观的。

一种读取脑部扫描的新方法

研究者将注意力集中在磁共振成像（MRI）上，这在医院和门诊中已很常见。传统上，MRI用于查找中风、肿瘤或某些脑区萎缩等可见迹象。在这里，研究团队将三维MRI影像输入深度学习模型，这些模型能发现远超肉眼可见的微妙模式。他们还结合了个体的一些简单信息，如年龄、性别、受教育程度和婚姻状况，避免使用昂贵的血液检测、基因筛查或正电子发射断层成像等专门影像学检查。

从一次扫描得到多个答案

他们方法的核心是一个多任务系统，该系统从同一扫描中同时学习解决若干相关问题。模型的一支将脑影像划分为三类主要组织：灰质、白质和脑脊液空间。另一支则利用相同的内部特征判断该人属于健康、轻度受损还是阿尔茨海默组。同时，系统还学习估计一种广泛使用的认知测试分数，称为ADAS-Cog，它在连续尺度上总结记忆和思维能力。将这些任务一起训练有助于模型发现对解剖学和认知都重要的脑特征。

用大量脑部影像训练计算机

为构建和测试该系统，团队使用了来自大型公开衰老与记忆研究的数千份MRI扫描和认知评分。他们比较了若干模型设计，包括一个定制网络和一个他们谨慎调整以适应脑扫描的大型通用医学影像模型。他们还将基于图像的模型与一个仅使用简单背景信息和组织体积摘要的树状算法结合。最终，他们将这些组件的预测融合成一个集成模型，根据每个组件在各任务上的表现赋予不同权重。

效果如何？

在留作测试的受试者上，最终的集成模型能够以与流行但运行缓慢的研究工具相当的精度分割脑组织，但过程更为简化。他们在超过九成的参与者中正确地区分出阿尔茨海默与非阿尔茨海默病例。更引人注目的是，他们对当前认知评分的估计平均误差相对较小，而且当模型仅使用首次扫描预测未来最长三年的评分时，这些估计仍保持了意义。该系统在另一组在不同中心扫描的总体较健康成年人上的表现也相对稳健，尽管性能有所下降，凸显了扫描仪与人群差异依然重要。

窥视“黑箱”内部

作者不仅关注原始准确率，还研究了模型最依赖哪些输入。当他们扰动MRI影像的小块时，性能在已知与阿尔茨海默相关的重要区域下降最明显，例如海马及其附近的颞叶和顶叶区域。总体而言，脑影像本身对预测的贡献大于背景信息，但年龄、受教育程度和婚姻状况仍发挥了明显作用。团队还证明，用耗时软件提取的传统脑体积摘要无法匹配他们基于原始影像方法的准确性。

这对患者可能意味着什么

对于患者和临床医生而言，这些发现表明，若干设计周密的人工智能系统解读标准脑部扫描后，未来有望快速提供有关当前认知能力和可能的未来衰退的快照。这类工具可能帮助决定谁需要更密切的监测、谁可能受益于专家评估或试验入组，以及在症状加重前如何规划护理。该工作并不能替代现有检测，也不能证明仅靠MRI就足够，但它为利用日常门诊中已收集的信息来实现更主动、更个性化的痴呆护理提供了切实的一步。

引用: Ma, D., Pabalan, C., Rajagopal, A. et al. Predicting categorical and continuous Alzheimer’s disease outcomes from a single MRI scan. Nat Aging 6, 1121–1137 (2026). https://doi.org/10.1038/s43587-026-01121-2

关键词: 阿尔茨海默病, 脑部MRI, 认知下降, 深度学习, 预后