跳到正文
原文
梅斯医学·临床资讯·· 22 天前精选AI 评分74

人工智能诊断阿尔茨海默病与帕金森病的最新进展

好文推荐 | 人工智能诊断神经系统变性疾病——多模态影像与数字生物标志物在阿尔茨海默病与帕金森病早期筛选及预测中的最新进展

AI 导读

文章系统梳理了多模态影像与数字生物标志物在阿尔茨海默病和帕金森病早期诊断中的最新研究进展,包括深度学习算法、可穿戴设备和眼动追踪等技术的应用,强调了AI在神经变性疾病诊断中的潜力。

推荐理由

综述了多模态影像与数字生物标志物在AD和PD早期诊断中的最新进展,为AI在神经变性疾病中的应用提供了重要参考。

正文

深度解析医学证据,DeepEvidence为你支撑决策

摘要

神经系统变性疾病(NDD),特别是阿尔茨海默病(AD)和帕金森病(PD),是全球老龄化社会中十分突出、亟待解决的公共卫生问题。近年来人工智能技术迅猛发展,多模态影像分析与数字生物标志物的结合为这两种疾病的早期筛查、准确诊断及进展预测带来了重要突破。本文系统梳理了人工智能在神经系统变性疾病诊断领域的最新研究进展,包括多模态影像融合技术、数字生物标志物提取方法、深度学习算法的最新创新,及其在临床转化中所遇到的各类挑战。文中对基于血液生物标志物的机器学习模型、深度学习架构、智能手机应用评估及可穿戴设备监测等前沿技术做了翔实分析,证实其在AD和PD早期检测中的潜在价值。在此基础上,文中论证了多模态人工智能模型在AD和PD诊断中的优越性,讨论了从轻度认知障碍(MCI)向AD转化的预测模型,以及未来的研究方向。本文为神经系统变性疾病人工智能诊断领域提供了一定的技术指导并探讨未来发展方向。

关键词:神经系统变性疾病;人工智能;多模态影像;生物标志物;阿尔茨海默病;帕金森病

Key words:Neurodegenerative diseases;Artificial intelligence;Multimodal imaging;Biomarker;Alzheimer disease;Parkinson disease

神经系统变性疾病(neurodegenerative disease, NDD)是一组以神经元进行性丢失和功能障碍为特征的异质性疾病,主要包括阿尔茨海默病(Alzheimer disease,AD)和帕金森病(Parkinson disease,PD)、路易体痴呆(dementia with Lewy bodies,DLB)、额颞叶痴呆(frontotemporal dementia,FTD)、肌萎缩侧索硬化(amyotrophic lateral sclerosis,ALS)等[1,2]。AD占所有痴呆病例的60%~80%,是老年期认知衰退的最常见原因,其核心病理特征为大脑中β-淀粉样蛋白(beta-amyloid,Aβ)斑块沉积、tau蛋白异常磷酸化形成神经纤维缠结(neurofibrillary tangle,NFT),并伴随皮质萎缩[3]。而PD则是仅次于AD的第二常见神经系统变性疾病,PD的病理过程包括黑质致密部多巴胺能神经元的进行性丧失和α-突触核蛋白病理性寡聚沉积等[4]。

1 研究现状

1.1 神经系统变性疾病的全球负担

世界卫生组织(World Health Organization,WHO)最新报告的统计数据显示,2020年全球痴呆患者已有5 500万例,以每3 s新增1例的速度增长,预计到2050年将达到1.5亿以上[5]。更重要的是,AD和PD不仅会造成不可逆的认知、运动功能损害,还会给家庭及医疗系统带来极其沉重的经济负担,因此发表于The Lancet Global Health的一项研究给出了十分明确且令人警醒的数字:2020—2050年间AD及其他痴呆症的累计宏观经济负担将达到14.5万亿美元[6]。与此同时,PD的全球负担也正在剧增,WHO报告明确指出,过去25年间PD患病率翻倍,较2000年增长了81%,2021年全球PD患病数已达1 177万[7]。《英国医学杂志》对2050年全球PD病例数做了严谨合理的预测:届时将达2 520万[8]。通过以上数据,AD、PD等NDD已经成为21世纪全球公共卫生领域最紧迫、最突出的挑战之一,而解决这一问题的根本途径,就是做好早期发现、精准预测及早期干预。

1.2 早期筛查AD与PD的临床意义与局限性

AD和PD的病理改变一般在临床症状出现前10~20年甚至更早就已经启动,AD中Aβ沉积可在认知下降前约15~20年在脑脊液(cerebrospinal fluid,CSF)及PET中检测到[9],而tau蛋白病理在认知下降前约5~10年即明显升高[10],脑萎缩及认知障碍更接近症状期。轻度认知障碍(mild cognitive impairment,MCI)是AD最明确、最典型的前驱阶段,每年约有10%~15%的MCI患者进展为AD痴呆。在PD疾病中,其运动症状一般要等到50%~70%的多巴胺能神经元已经丧失之后才出现[11],前驱期可长达20年以上,常以快速眼动睡眠行为障碍(rapid eye movement sleep behavior disorder,RBD)、嗅觉减退、便秘、抑郁等非运动症状起病,故传统基于临床综合征的诊断方法极易错过早期关键的干预时机。因此,在临床前或前驱阶段尽早、准确地识别疾病,才能为疾病修饰治疗(disease-modifying therapy,DMT)争取最有利的时间窗口。近年抗Aβ 单克隆抗体仑卡奈单抗(lecanemab)及多奈单抗(donanemab)的临床试验已取得实质性突破,更加凸显早期诊断的紧迫性及必要性,唯有在病理早期治疗,方能真正有效延缓神经元损失[12]。

然而AD和PD的传统诊断主要是基于临床症状评估,再配合简易精神状态检查(MMSE)、蒙特利尔认知评估量表(MoCA)、阿尔茨海默病认知功能评价量表(13项版)(ADAS-Cog13)、统一帕金森病评定量表(UPDRS)等量表进行辅助判断,但这些量表受主观因素及受试者教育水平等影响,敏感度和特异度都存在明显局限性。CSF生物标志物(Aβ42、p-tau181、t-tau)检测虽有很高诊断价值,但是其侵入性导致患者接受度极低。功能影像[氟代脱氧葡萄糖正电子发射断层显像(fluorodeoxyglucose positron emission tomography,FDG-PET)、多巴胺转运体单光子发射计算机断层显像(dopamine transporter single-photon emission computed tomography,DAT-SPECT)]检查费用昂贵,又需要注射放射性示踪剂,因此难以大规模推广应用。常规MRI结构影像对早期病理变化的敏感性尚不够理想,故早期AD和PD的诊断率仍很低[13]。许多神经系统变性疾病具有混合病理如AD合并脑血管病、AD合并路易体病变,临床表现重叠,传统单模态评估难以精准区分痴呆亚型。Xue等[14]在Nature Medicine报道的多模态AI模型显示,神经科医生在区分10种痴呆类型时的平均准确率显著低于多模态AI(差距超过26%),凸显了AI系统在复杂诊断场景中的潜力。

1.3 人工智能带来的范式转变

人工智能(artificial intelligence, AI)具备结果客观、指标可量化、检测可重复等优势,因此对NDD诊治有直接而重大的公共卫生意义[15]。AI技术近年来取得长足进步,已经为NDD的早期诊断及精准医疗带来新的曙光,尤其是深度学习技术正在系统、彻底地改变NDD的诊断模式。与此形成良好补充的是,目前已有若干大型公开数据集,诸如阿尔茨海默病神经影像倡议(Alzheimer Disease Neuroimaging Initiative,ADNI)[16]、帕金森病进展标志物倡议(Parkinson Progression Markers Initiative,PPMI)[17]、英国生物样本库(UK Biobank)、开放获取系列影像数据库(Open Access Series of Imaging Studies,OASIS)、国家阿尔茨海默病协调中心(National Alzheimer Coordinating Center,NACC)等,这些数据集涵盖纵向影像、基因组、临床和数字行为数据,为整合海量异构数据提供了强大的工具[13,18]。从早期支持向量机(support vector machine,SVM)到3D卷积神经网络(3D-Convolutional Neural Networks, 3D-CNN),再到多模态基础模型,AI方法的迭代已实实在在提高了模型对早期病理特征的敏感性及泛化能力[19]。而数字健康基础设施日趋成熟,智能手表、智能手机、消费级摄像头及可穿戴传感器都已能以低成本、长周期、被动采集的方式获取数字生物标志物[13]。故此,基于AI的普惠化早期筛查网络已具备实施基础。

本文将系统探讨AI在多模态影像及数字生物标志物用于AD、PD疾病早期筛查、预测方面的应用价值、现有进展、现存问题与今后面临的挑战及未来方向。

2 AI 与神经影像学生物标志物:从结构到功能的多元视角

2.1 结构磁共振成像与脑萎缩模式

结构磁共振成像(structural magnetic resonance imaging,sMRI)以T1加权成像的方式高分辨率、高对比度地显示脑组织解剖结构,AD典型的sMRI表现为内侧颞叶(海马、内嗅皮质)及顶叶皮质的不对称性萎缩,而此种萎缩与神经纤维缠结的分布有十分明确的空间对应关系[20]。随疾病进展,萎缩逐渐累及颞顶叶联合皮质、后扣带回及楔前叶。内嗅皮质厚度对MCI、AD都高度敏感,故可很好地用于鉴别AD与FTD,脑白质高信号(white matter hyperintensities,WMH)与MCI、AD、PD、DLB、FTD各种认知及神经精神症状的严重程度直接相关[21]。深度学习模型能自动、客观地提取这些区域的高维形态学特征,因而能识别比传统体积测量更细微、更敏感的萎缩模式[22,23]。因此,AI在此天然地扮演了“整合者”的角色:把多种生物标志物及影像、临床数据自然、合理地耦合起来,据此构建多维风险预测模型,诊断的可信性因而大大提高。Sun等[24]给出了极其典型的示范,即用随机森林整合MRI脑萎缩参数、EEG信号特征及临床量表,对CSF Aβ1-42/Aβ1-40比值的预测准确率91.6%,此模式可能会成为低成本“虚拟CSF”工具。

PD患者的sMRI在常规临床阅片中一般无明显异常,但是精细的基于体素的形态测量学(voxel-based morphometry,VBM)及皮质厚度分析清楚地显示了PD患者前额叶皮质、顶叶及颞叶的微小萎缩,提示单模态sMRI分析的敏感度较低,多模态整合势在必行[25]。PD早期MRI形态改变极为细微,故深度学习在此应用中有极大的发挥空间。Chattopadhyay等[26]对T1加权及扩散加权磁共振成像(diffusion-weighted magnetic resonance imaging,dMRI)在PD检测中所用CNN的性能做了严谨、有洞见的对比,结果明确地表明dMRI在多中心数据上有额外的预测价值,也很好地展示了微结构信息的诊断潜力。

2.2 PET分子影像

PET影像利用放射性示踪剂从分子水平对病理过程加以示踪,因而对AD和PD的早期诊断都有极其重要的意义[27]。具体而言,AD研究中常用的FDG-PET、淀粉样PET和tau-PET各有明确、互补的功能:FDG-PET可在MCI阶段可靠地检出后扣带皮质及顶叶代谢减低,而淀粉样PET(11C-PiB、18F-Florbetapir、18F-Florbetaben、18F-Flutemetamol)及tau-PET(18F-Flortaucipir、18F-MK-6240)能直接、定量地显像AD核心病理标志物,故都极适合于早期鉴别诊断及预后评估[10]。在PD中,FDG-PET可揭示与疾病相关的脑代谢网络异常(PD-related pattern, PDRP),但临床应用不如DaTSCAN广泛。18F-DOPA PET可评估黑质纹状体多巴胺能通路的功能完整性,但成本和可及性限制了其大规模应用。新型α-突触核蛋白PET探针(如F0502B)[28]和心脏间碘苄胍(metaiodobenzylguanidine,MIBG)闪烁显像也在早期诊断中显示出极大的潜力[29]。

将PET与MRI联合输入深度学习模型已经成为可靠的研究方向之一。Abdelaziz等[30]提出了MMSDL(multi-scale multimodal deep learning)框架,把MRI和PET联合起来,用多头自注意力(intra-modality)及交叉注意力(inter-modality)自然、合理地做了跨模态融合,在ADNI数据集上所做的多类别AD分期分类任务中性能确为当时最先进。Bucci等[31]用Cohen’s Kappa对脑脊液Aβ1-42(A)、磷酸化Tau181(T)、总Tau(N)及影像学Aβ PET(florbetaben和florbetapir)(A)、tauPET(flortaucipir)(T)、海马体体积(MRI)(N)各指标的阳性情况做了严谨分析,得出PET tau阳性在预测3年内AD连续体认知下降时优于脑脊液p-Tau181和Aβ PET。

2.3 DTI与微结构成像

由于弥散张量成像(diffusion tensor imaging,DTI)是从水分子在脑组织中弥散的特性出发来间接研究白质纤维束的微结构完整性,因此DTI有十分明确、彼此补充的若干量化指标:各向异性分数(fractional anisotropy,FA)反映纤维束的方向性及完整性,平均扩散率(mean diffusivity,MD)反映组织中水分子总体的弥散程度,轴向扩散率(axial diffusivity,AD)和径向扩散率(radial diffusivity, RD)分别提示轴突、髓鞘的状态。Camacho等[25]用大样本多模态MRI数据集对611例PD患者及653例健康对照进行了CNN分类模型的训练,证明了DTI数据特别是FA对PD分类的贡献要大于sMRI数据,而且所获显著性图谱突出了脑干、丘脑、杏仁核和海马等多项皮质下区域。因此微结构改变在PD病程中有核心意义,证明DTI是PD早期检测的有效工具。

2.4 功能磁共振成像与功能连接

由于功能磁共振成像(functional magnetic resonance imaging,fMRI)是以血氧水平依赖(blood oxygen level dependent,BOLD)信号为基础来间接测量神经活动的,分为任务态fMRI和静息态功能磁共振成像(resting-state functional magnetic resonance imaging,rs-fMRI),而rs-fMRI在AD和PD研究中已被十分充分地应用,用来考察默认模式网络(default mode network,DMN)、突显网络及中央执行网络的连接改变[32]。

AD中DMN内部功能连接在临床前阶段就已经开始下降,且其下降趋势与Aβ沉积的空间分布有明确的关系。在PD中,基底节-丘脑-皮质运动环路的连接异常与运动症状直接相关,而非运动症状如认知障碍、抑郁等更常与全域网络改变相关[33]。fMRI的优势在于无辐射、可重复,但BOLD信号的生理基础复杂,易受头部运动和生理噪声干扰,数据分析标准化仍是挑战。

2.5 视网膜影像作为脑窗的非侵入性替代

视网膜作为中枢神经系统的延伸,是评估神经系统变性疾病的“光学窗口”。Chaitanuwong等[34]系统综述了眼部生物标志物在AD早期检测中的应用:泪液蛋白质组(敏感度81%、特异度77%)、泪液中升高的t-tau与Aβ42、tear miR-200b-5p等具有潜在诊断价值;角膜共聚焦显微镜(corneal confocal microscopy,CCM)显示的角膜神经纤维长度、密度、分支密度变化在早期AD中的诊断准确性与内侧颞叶萎缩(medial temporal lobe atrophy,MTA)评分相当甚至更优;瞳孔大小、瞳孔光反射潜伏期与振幅,与胆碱能系统损害相关;视网膜Aβ 斑块(curcumin染色)、视网膜神经纤维层(retinal nerve fiber layer, RNFL)变薄、视网膜血管几何复杂度降低、黄斑血管密度(macular vessel density,m-VD)下降等与认知损害和 APOE4 基因型相关。

AI应用于视网膜影像取得了显著进展。Wisely等[35]用多模态视网膜影像神经节细胞-内丛状层(ganglion cell-inner plexiform layer,GC-IPL)、光学相干断层扫描血管成像(optical coherence tomography angiography,OCTA)、超广角眼底自身荧光检查(ultra-widefield fundus autofluorescence,UWF-FAF)的AI模型对AD进行检测,所得AUC为0.836,论证了GC-IPL是单模态中最有价值的输入;Cheung等[36]基于12 949张彩色眼底照片训练的深度学习模型,在双侧内部验证中即达到86.3%的AD检测准确率,外部测试集上的性能为79.6%~92.1%,对Aβ阳性病例的区分能力为80.6%~89.3%。故而二者均支持了视网膜AI作为人群级低成本AD筛查工具的应用潜力。

2.6 多模态影像AI分析的核心技术方法

2.6.1 影像预处理与标准化

多模态影像AI分析最根本、最突出的问题就是数据的异质性及不规范性:由于不同中心、不同扫描仪、不同采集参数所得的影像在空间分辨率、对比度、噪声水平诸方面都不同,故必然影响模型性能及其泛化能力[37]。

2.6.2 深度学习架构

2.6.2.1 卷积神经网络与3D-CNN

CNN是影像分析中最基础、最成熟的深度学习架构,就医学影像而言,2D-CNN适合处理二维切片数据,但是不能自然、充分地利用三维空间上下文信息,因此3D-CNN用三维卷积核同时提取x、y、z 3个空间维度的特征,更有利于处理MRI和PET等三维影像数据[22]。目前3D-CNN领域已有几个有代表性的架构:3D-ResNet用残差连接巧妙地解决了深层网络中梯度消失的问题,3D-DenseNet用密集连接实现了特征最大化的信息流,3D-VGG用简单堆叠的卷积层做到了十分可靠的特征提取。Lim等[38]利用基于3D-CNN的多分类方法应用于ADNI数据库中的sMRI图像,以区分AD、MCI和认知正常(CN)组,所得分类性能已经非常优秀。Priyadharshini等[39]提出了一种用鲸鱼优化算法(whale optimization algorithm,WOA)做特征选择的3D-CNN嵌套学习框架,先对全脑MRI图像做细致分析,再用典型相关分析(canonical correlation analysis,CCA)做精妙的特征融合,最终所获准确率从基础的90%提高到97%,因此也被公认为目前3D-CNN在PD早期诊断中的突出进展。

2.6.2.2 视觉Transformer架构

Transformer架构最初在自然语言处理领域取得重大突破,后来被引入到计算机视觉领域,视觉 Transformer(vision transformer,ViT)把图像合理地分割为固定大小的patch,再把每个patch线性投影为token序列,由此用自注意力机制直接、充分地建模全局依赖关系,因此很好地克服了CNN感受野有限的固有缺陷[17]。在神经系统变性疾病影像分析中,ViT有明确的优势:能同时考虑局部及全局的脑结构变化模式。Dentamaro等[17]对此做了良好的示范:ViT对侧脑室的关注与认知下降相关,而ViT与临床数据结合后PD检测的准确率从76.1%提高到93.4%,由此可以看出多模态融合对Transformer架构的重要性。Transformer架构最初在自然语言处理领域取得重大突破,后来被引入到计算机视觉领域,视觉 Transformer(vision transformer,ViT)把图像合理地分割为固定大小的patch,再把每个patch线性投影为token序列,由此用自注意力机制直接、充分地建模全局依赖关系,因此很好地克服了CNN感受野有限的固有缺陷[17]。在神经系统变性疾病影像分析中,ViT有明确的优势:能同时考虑局部及全局的脑结构变化模式。Dentamaro等[17]对此做了良好的示范:ViT对侧脑室的关注与认知下降相关,而ViT与临床数据结合后PD检测的准确率从76.1%提高到93.4%,由此可以看出多模态融合对Transformer架构的重要性。

2.6.2.3 递归神经网络与时间序列模型

由于NDD是持续进展的动态过程,故纵向数据的时序建模对疾病轨迹的预测有直接而重大的意义,而递归神经网络(recurrent neural network,RNN)及其典型变体长短期记忆网络(long short-term memory,LSTM)和门控循环单元(gated recurrent unit,GRU)都适合处理时序数据。Lee等[40]首次将多模态RNN框架应用于MCI向AD转化的预测,把基线MRI影像、纵向CSF生物标志物及认知评分数据加以合理整合,最终取得81%的准确率(AUC=0.86),也充分论证了纵向多模态数据整合优于单模态模型。

2.6.2.4 图神经网络与脑网络分析

由于图神经网络(graph neural network,GNN)把脑区自然地定义为节点,把结构或功能连接自然地定义为边,故其在脑网络分析中已有扎实的理论基础[20]。更重要的是,GNN有良好的消息传递机制,因此很适合学习脑网络拓扑结构的异常模式,也因而能可靠地提取传统体素级分析不能获得的网络级生物标志物。具体而言,在AD研究中,基于GNN的模型可将sMRI、DTI和rs-fMRI数据融合成多模态脑网络,从网络属性(小世界性、模块化、中心度)的角度刻画疾病效应[20]。在PD研究中,GNN可直接模拟基底节-丘脑-皮质运动环路的异常连接模式,由此自然地挖掘运动及非运动症状的网络基础[41]。然而目前GNN的应用仍受到图节点定义(脑图谱选择)、边定义(功能连接或结构连接的构建方法)及计算效率等多种因素的严格限制。

总之,深度学习应用于神经影像学极大地提升了诊断准确性。Oh等[42]所提出的体素卷积网络在AD vs NC任务中达到86.6%的准确率,在pMCI vs sMCI任务中达到73.95%,并且借助梯度可视化方法找到了颞叶及顶叶为相关脑区。El-Assy等[43]设计了一种CNN架构,用MRI数据对ADNI进行分类,所提出的CNN由两个独立的卷积神经网络模型构成,其拟议的CNN架构在3个不同任务上分别取得了99.43%、99.57%和99.13%的惊人准确率,因此在其提取、识别MRI图像中与疾病直接相关的特征方面的有效性,也因而有利于不同AD类别的准确区分,对早期发现、个性化治疗计划、疾病监测及预后评估都具有重大意义。Odimayo等[44]提出的SNeurodCNN利用矢状位脑结构图像,准确率已达97.8%~98.1%,更难得的是其用梯度激活映射直接、客观地定位了前额叶、枕叶、小脑、颞叶、顶叶诸个病理相关区域,故而其作为早期AD诊断脑结构变化数字生物标志物的潜力十分突出。

2.6.3 可解释人工智能方法

由于深度学习所具有的“黑箱”特性是其应用于临床时最根本、最突出的障碍,而临床医生除需要准确的预测结果外更需要知道模型作出某一决策的理由,故此诊断结果的可信度及临床可接受性都直接与此相关[45]。因此,可解释人工智能(explainable artificial intelligence,XAI)方法的发展具有极大的意义。

2.6.3.1 显著性图谱

显著性图谱(saliency maps)是从预测输出对输入图像的梯度出发,得到与输入空间维度一致的热力图,因此能清晰地标出对模型决策起最重要作用的区域。梯度加权类激活映射(gradient-weighted class activation mapping,Grad-CAM)是目前应用的显著性图谱方法之一,其以网络最后一层卷积特征图梯度的全局平均池化结果作为权重来生成类别特异的定位图。Atefe等[46]巧妙地将Grad-CAM与3DCNN模型结合,提出了一个智能ROI检测方法,从MCI患者脑部图像中自动提取对AD预测最有价值的区域,从而避免了传统手动ROI提取的主观性及耗时性。经ADNI数据集上176例MCI患者的5折交叉验证检验,所提方法准确率已达98.6%,AUC为1.0。

Camacho等[25]在PD研究中用SmoothGrad方法(即对梯度作若干次随机噪声平滑处理的改进方法)生成了显著性图谱,研究表明:DTI数据中FA对PD分类贡献最大,且显著性图谱所标出的高响应区为脑干、丘脑、杏仁核和海马诸脑区,与PD病理学高度吻合。

2.6.3.2 SHAP与LIME

由于沙普利加性解释(SHapley Additive exPlanations,SHAP)是从博弈论中的Shapley值出发把模型预测合理分配给各输入特征,因此适合于给出全局及局部的特征重要性解释,而局部可解释模型无关解释(local interpretable model-agnostic explanations,LIME)是用预测点附近的样本拟合可解释的局部线性模型来近似原模型的决策边界。

Saleh等[47]在AD进展预测模型中把SHAP、LIME两种方法都加以合理应用,由此从SHAP值中确定对模型预测贡献最大的认知子评分及临床特征,因而很好地增加了临床医生对模型决策的信任。Yousefzadeh等[48]提出的层神经元级解释框架(layer neuron-level analysis interpreter,LAVA)从CNN中间层探针神经元的激活模式直接分析AD连续谱,完全不需要纵向或临床评估。

2.6.3.3 可解释人工智能在临床信任中的关键作用

XAI绝不是单纯的技术工具,实质上是AI从实验室走向临床的重要桥梁,在NDD诊断中,XAI能与已有神经病理学知识有高度一致的影像特征(海马萎缩对应AD),因而有利于验证所用模型可以得到有效的生物标志物而不是混杂因素[49]。已有研究明确地证明,临床医生对AI过度信任(overtrust)使诊断准确率从87%下降到了77%,由此直接、清楚地引出了“虚假冲突错误”,也顺理成章地突出了信任校准的重要性[45]。XAI最终的目的正是促成人机协同中适度信任的形成。

Dentamaro等[17]在PD前驱期模型中运用了Integrated Gradients和注意力热图,因而很自然地找到了右颞叶、左前额叶、侧脑室等区域,且所获结果与目前文献中报道的PD前驱期病理高度吻合。与此形成补充的是,Odimayo等[44]的SNeurodCNN从结构角度系统分析了MCI、AD中各脑区的结构变化模式,给出了明确的神经解剖学证据。

3 数字生物标志物与AI的融合应用

3.1 可穿戴设备与运动分析

数字生物标志物是指用数字技术(可穿戴传感器、智能手机、平板电脑等)采集生理及行为数据,为NDD的远程、持续、生态化监测带来了革命性的机遇[13,50]。就AD领域而言,可穿戴设备已经被用来监测日常活动模式,诸如行走速度、活动范围、睡眠-觉醒节律,而这些参数在认知下降早期即有可检测、有意义的变化:24 h腕式加速度计所测的昼夜节律稳定性及活动幅度都与AD、PD发病风险及认知下降有明确的统计学关联,故可靠地用于AD、PD早期风险预测[51]。长期追踪研究发现,步速下降与认知衰退之间存在显著关联,可作为认知健康的数字表型[52]。可穿戴技术结合先进的深度学习(deep learning,DL)方法,利用早期检测深度学习算法(early detection deep learning algorithm,ED-DLA)实现了早期AD检测:可穿戴传感器实时采集心率、睡眠习惯、体育活动数据,DL算法对各项数据加以分析以识别早期AD,而持续、无创的监测方式也由此大大提高了检测的灵敏度和准确性[53]。

在PD领域,可穿戴设备如腕戴式加速度计、智能手表、智能鞋垫已广泛应用于步态分析、震颤评估和运动迟缓检测。Johnson等[54]WATCH-PD研究中所收集的消费级可穿戴设备及传感器数据出发,开发了一种PD筛查工具,结合疾病及行为相关特征及早期PD状态的多元机器学习建模,得到了高精度(92.3%)、高敏感度(90.0%)、高特异度(100%)的随机森林(random forest,RF)分类模型(AUC=0.92),因此证明了消费级可穿戴设备及传感器在全球人群PD筛查中的应用提供了良好的示范。与此形成极佳补充的是,Chudzik等[13]总结了用卷积神经网络做眼动追踪以区分PD患者及健康对照时所得的ROC-AUC为0.88,而面部表情分析的AI模型准确率已达0.89,精度0.85。已有研究证实眼动驱动的多任务可用于虚拟现实(virtual reality,VR)环境中诱发PD特异性眼动异常,对PD早发现有直接重大价值[55]。智能手表甚至能在症状出现前数年检测到细微震颤、步态变化及睡眠障碍,故其在前驱期PD识别中已有良好的应用潜力[56]。

3.2 眼动追踪

眼动追踪在NDD早期检测中展现出独特价值,AD患者的眼动特征包括:扫视潜伏期延长、抗扫视任务错误率增加、平滑追踪增益降低和注视稳定性下降[48],这些异常反映额叶-顶叶-脑干眼动控制网络的早期功能障碍。更重要的是,反扫视任务(anti-saccade task)是AD及早期AD中突出的功能性异常,因此扫视潜伏期延长及频率错误都可作为早期AD的功能性生物标志物[34]。Park等[57]巧妙地利用VR技术设计了虚拟自助点餐测试,从操作中提取手部移动速度、扫描路径长度、完成时间及错误次数4个VR衍生生物标志物,再与MRI生物标志物结合构建多模态SVM模型,在MCI早期筛查中取得了94.4%的准确率、100%的敏感度及90.9%的特异度,明显优于各单模态模型。Moore等[58]应用新型AI算法,用于可穿戴视频眼动追踪眼镜,以补充步态数据,应用此种算法能够准确检测和赋予环境中物体[交并比阈值0.5下平均精度(mean average precision at IoU=0.5,mAP50)=0.81],同时还能追踪患者观察的位置,以更好地判断PD患者自身的跌倒风险。

3.3 语音与语言分析

语音分析是NDD数字生物标志物研究中最有前景、最受关注的方向之一,AD患者的语音特征包括:语义流畅性下降、找词困难、自发性言语减少、信息密度降低,而PD患者的语音特征以发声困难、单调音调、言语模糊、语速异常为典型。Palmirotta等[37]的综述提示,目前基于语言特征的机器学习模型在PD分类中的准确率介于43%~94%,AUC介于32%~97%,最优特征多为词汇语义特征(占40%)。更重要的是,用RNN处理语音数据在PD分类中已达到95%的准确率。

4 AI在AD和PD早筛预测中的代表性成果

4.1 AD早期预测的突破性研究

4.1.1 MCI向AD转化预测

识别具有高转化风险的MCI患者是AD早期干预的核心环节,故传统AT(N)框架虽有利于生物标志物的分类,但是不能直接、可靠地预测个体水平的转化时间,因此AI方法利用多模态数据中所含的时间动态模式,能取得超越传统方法的预测效果[40,59]。

Wang等[59]所提出的交互效应深度学习模型被公认为该领域十分明确、有突破意义的里程碑式工作,其将sMRI、临床指标(CDR-SB、ADAS-Cog、MMSE等)及APOE基因型数据自然、合理地结合起来,又巧妙地引入了交互效应模块来直接建模模态间的非加性交互作用,因此在ADNI-1和ADNI-2/GO交叉验证中,模型对4年内MCI转化的预测所得AUC为0.962,准确率92.92%,敏感度88.89%,特异度95.33%,均优于同期所有相关研究。更难得的是,在独立的ADNI-3测试集上仍然保持AUC 0.939和准确率92.86%的显著表现。更重要的是,交互效应及模态融合两部分各自对准确率的提高都有明确、可量化的贡献,此项研究证实了多模态协同分析的根本价值。

Venugopalan等[22]所提出的另一种多模态融合策略:用堆叠去噪自动编码器从临床、遗传数据中提取特征,用3D-CNN处理MRI数据,再用新颖的数据解释方法(聚类加扰动分析)确定模型中所学关键特征。实验结果清楚地表明,所提出的多模态模型在准确率、精确率、召回率、F分数等指标上都优于单模态模型,所识别出的关键脑区(海马、杏仁核)与AD典型病理学发现高度吻合。

4.1.2 临床前AD的影像标志物检测

主观认知下降(subjective cognitive decline,SCD)被定义为AD连续谱的第一个临床表现阶段,因此Wang等[20]对SCD人群多模态影像特征进行综述,明确地指出AD特征区域(内嗅皮质、海马、后扣带回、楔前叶)在SCD阶段就已有与MCI、AD相似的易损模式,由此更加支持了SCD作为AD超早期阶段的临床定位,也证实多模态影像技术在最早期阶段识别AD风险的巨大潜力。Mehdipour Ghazi等[60]用多中心数据做了基于深度机器学习的多模态生物标志物比较分析,所构建的模型在不损伤的显性阿尔茨海默病数据库(Dominantly Inherited Alzheimer Disease Initiative,DDI)队列中检测Aβ阳性个体的AUC已达0.836。更难得的是,人口学风险因素的加入实质上提高了模型在早期(不损伤)阶段检测Aβ的能力,故而得出十分有意义的结论:简单的临床变量本身即可成为非侵入性筛查的有力工具。

4.2 PD早期检测的前沿工作

4.2.1 基于MRI的PD分类

深度学习在PD诊断领域的应用已经取得重要进展。Camacho等[25]率先利用8个研究队列中1 264例数据(611例PD,653例对照)建立了基于CNN的多模态MRI分类模型,将sMRI和DTI的6种成像参数图以及年龄、性别变量予以融合,测试集上所得AUC为0.89,准确率80.8%,特异度82.4%,敏感度79.1%,其所用SmoothGrad显著性图谱表明DTI数据(尤其是FA)比sMRI对分类更有价值,高亮区域集中在脑干、丘脑、杏仁核和海马。Chen等[61]围绕神经黑色素敏感MRI进行研究,提出了整合放射组学与深度学习的混合模型用于早期PD自动检测:先用第五代You Only Look Once 目标检测算法(You Only Look Once version 5,YOLO-v5)检测脑干区域,再用改良LeNet提取深度特征,同时提取1 781个放射组学特征并经严格筛选保留10个。混合特征SVM模型在独立测试集及外部验证集上分别达到96.3%和95.8%的准确率,且其显著性图谱指出双侧“燕尾征”区域是最重要的分类依据。

4.2.2 前驱期PD的多模态识别

DenseNet+EN联合学习框架在前驱期PD识别任务上取得了很大突破。首先用DenseNet3D、ResNet3D和Vision Transformer处理MRI影像,再用新型激励网络(excitation network, EN)处理临床及表格数据,由此自然、合理地做到多模态融合。在PPMI数据库中所选的90例前驱期PD患者数据集上,DenseNet+EN模型达到了96.6%的准确率、98.9%的AUC和96.5%的F1分数,是目前最优的结果。同时XAI分析给出了良好的可解释性:DenseNet重视右侧颞叶及左侧前额叶(与认知障碍、运动代偿直接相关),ViT重视侧脑室(与认知下降直接相关),极端梯度提升树(extreme gradient boosting,XGBoost)分析表型数据得出运动迟缓为最具有鉴别价值的临床特征[17]。这一工作为医生利用MRI和核心运动症状识别高危人群提供了切实可行的方案。

4.2.3 遗传因素对PD影像AI的影响

Palmirotta等[37]用深度学习方法对遗传性PD和特发性PD的MRI差异进行对比分析,得出结论为所建立的模型对确诊4年以上的特发性PD患者区分效果很好(AUC=0.89),但是诊断时间越短性能越差。对于不携富亮氨酸重复激酶2(leucine-rich repeat kinase 2,LRRK2)、葡萄糖脑苷脂酶(glucocerebrosidase,GBA)变异的非显性携带者,模型有极其优异的分类能力(LRRK2 AUC=0.92,准确率90%,GBA AUC=0.94,准确率92%)。因此可以合理推断,遗传性PD携带者大脑中存在与特发性PD不同的病理过程,AI可在症状出现前予以可靠检测,这是PD高危人群筛查策略设计极其宝贵的参考。

4.3 多模态融合的增效机制分析

表1总结了近年代表性AD和PD多模态AI研究的关键性能指标,直观展示了多模态融合相较于单模态方法的显著优势。

图片

(1)多模态融合一般优于单模态方法,融合增益一般在5%~15%范围内,且随所选模态互补性的提高而增大;(2)AD研究整合影像、体液、基因多种模态,而PD研究偏向于使用影像与运动传感器的组合,二者与两类疾病的病理特征差异高度一致:(3)引入超参数优化方法[灰狼优化算法(grey wolf optimizer,GWO)、贝叶斯优化]及特征选择方法(遗传算法、鲸鱼优化)都能切实提高模型性能,准确率可提高5%~10%;(4)外部验证所得结果一般低于内部交叉验证,故模型泛化能力仍然是目前最主要的问题。

4.4 纵向预测与疾病轨迹建模

由于神经系统变性疾病的自然病程长达数十年,所以纵向数据建模对研究疾病轨迹、确定快速进展亚群、评价治疗效果都具有直接而重大的意义,故而多模态深度学习在纵向预测方面已有长足进展。由于多任务学习框架自然地要同时处理分类和回归任务,即先对当前疾病状态作分类(认知正常、MCI、AD),再预测以后某时点认知分数或生物标志物的变化。

阿尔茨海默病进展预测模型(predicting progression of Alzheimer disease,PPAD)架构是另一项重要工作。Al Olaimat等[63]提出的PPAD含自编码器的阿尔茨海默病进展预测模型(predicting progression of Alzheimer disease-autoencoder,PPAD-AE),即二者以RNN为基础,用电子健康记录中不规则时间间隔的就诊数据来预测MCI转AD,而且合理、巧妙地把每次就诊时所测年龄作为时间变化的隐式指标,由此解决了就诊间隔不规则的问题。更难得的是,PPAD和PPAD-AE在ADNI、NACC数据集上的F2分数及敏感性都优于各基线模型。

4.5 AI 与临床决策支持系统

将AI嵌入临床决策支持系统(clinical decision support system,CDSS)是实现规模化转化的桥梁,一项文献计量分析研究结果显示,AI-CDSS在NDD早筛中已经成为四大研究热点之一:新颖性检测、知识驱动系统、集成学习及mHealth[64]。因此,一个真正实用、可靠的CDSS应当满足若干明确而重要的条件:(1)与电子病历无缝对接;(2)有标准化输入接口;(3)能给出可解释的决策输出;(4)有持续学习能力;(5)有用户友好的界面。Grammenos等[45]所提出的“智能体人工智能(agentic artificial intelligence,agentic AI)”系统对此做了极好的补充,即把CDSS从“决策推荐”推向“自主感知-推理-行动”的新阶段。

5 AI对于AD和PD疾病的局限性、伦理和监管挑战

5.1 数据局限与代表性问题

目前AI研究最突出、最根本的局限仍然是训练数据代表性不够。Jasodanand等[9]指出其多队列研究中白人受试者占绝对多数,少数族裔、低收入国家人群的数据极端稀缺,因此若用此类数据训练算法,后者在弱势群体上的表现就会变差,也因而加剧健康不公。公开数据集ADNI本身即以高收入、高受教育水平的志愿者为主,与真实社区人群相比存在明显偏倚。

5.2 数据隐私与伦理

由于数字生物标志物的收集必然涉及大量高度敏感的个人健康信息,诸如行为模式、生理信号、社交互动,故而隐私保护宜从技术(差分隐私、联邦学习、同态加密)和制度[通用数据保护条例(General Data Protection Regulation,GDPR)、健康保险流通与责任法案(Health Insurance Portability and Accountability Act,HIPAA)、《个人信息保护法》]两个维度系统、有层次地加以建设[13]。更重要的是,症状前患者的风险预测有可能造成心理负担、就业歧视、保险歧视等多种社会伦理问题,因此要配套设计告知同意、心理咨询、反歧视等机制。

5.3 算法偏倚与公平性

算法偏倚本质上可以很自然、有层次地归结为训练数据偏倚、特征选择、模型架构及评估指标等多种因素,因此AD视网膜AI模型对不同种族眼底色素差异的处理会有不同表现,PD可穿戴模型对女性、老年人及合并多种慢性病者的性能确实会下降。更重要的是,高龄、低受教育水平、低收入群体及农村地区居民在智能设备获取及数字素养方面存在明显障碍,故极易被排除在数字筛查体系之外,从而加剧现存的健康不平等。Ford等[65]从伦理筛查原则分析:数字部署若以有偏差的训练数据为基础,又遭遇数字接入不平等的问题,就会直接加剧健康不平等。因此其提出的解决路径也十分明确:设计低技术门槛的筛查工具(例如基于语音电话的自动化筛查),保证训练数据的人口学多样性,在公平性评估框架下系统地评价模型在不同人群中的表现。

5.4 用户体验与依从性

数字生物标志物的有效性高度依赖患者对设备的长期依从性。Chudzik等[13]提出了“以患者为中心”的设计思路:减少佩戴负担、即时反馈、游戏化交互、隐私可控等。而老年用户之间数字素养差别很大,不少群体仍处于“数字鸿沟”之中,因此宜结合社区培训、家属支持及简化界面加以解决。

6 未来方向:智能体、联邦学习与纵向健康轨迹

6.1 智能体AI系统与自主健康代理

Agentic AI是指能感知、推理、行动的智能系统,因此与静态预测模型不同,它能自然、合理地在多模态数据流中持续学习,动态更新个性化基线,在异常发生时主动、及时地触发预警或干预[45]。面向AD管理的智能体AI框架[45],主要包括认知评估智能体,用于自动执行及解释数字认知测试;神经影像分诊智能体,专门做大规模筛查中影像的自动分类及异常检测;药物优化智能体,根据个体化数据优化治疗方案;纵向护理智能体,实时收集可穿戴设备、认知测试及健康记录各种数据,早期可靠地发现衰退趋势。多种智能体彼此协调配合,构成真正完整的多智能体诊断系统,覆盖筛查、诊断、管理各环节。

6.2 联邦学习与隐私保护协作

由于联邦学习(federated learning, FL)能让多家医疗机构在不共享原始数据的基础上联合训练模型,因此对解决数据孤岛、遵守隐私规范有十分明确的重大价值[65]。其在AD、PD早筛中的应用前景包括,在多个医疗中心联合训练多模态诊断模型(不共享患者影像和临床数据);在不同国家或地区间建立联邦学习网络(训练更具代表性的全球人群模型);以及在数字生物标志物采集中实现设备端本地学习(保护用户隐私)。

6.3 数字孪生与精准疾病轨迹建模

数字孪生(digital twin)是以个体为单位构建虚拟模型,结合纵向多模态数据进行精确轨迹预测和个性化干预模拟。有研究提出,数字阿尔茨海默病诊断模型(digital Alzheimer disease diagnosis,DADD),利用个性化大脑建模和脑电图记录,提供AD的数字生物标志物,DADD模型仅通过非侵入性脑电图记录即可预测脑脊液生物标志物和临床转化,通过将数字孪生与非侵入性记录结合预测脑脊液生物标志物,有望在早期阶段彻底革新AD诊断,为数字孪生在AD诊断中的临床应用具有很大前景[66]。

6.4 跨学科协作与生态建设

未来AI在NDD早筛中的发展,离不开医学、计算科学、公共卫生、法律和伦理学的深度协作。主要任务包括:(1)建立全球开放的多模态、多种族数据共享平台;(2)推动模型评估与报告的标准化[如人工智能预测模型透明报告规范(Transparent Reporting of multivariable prediction models for Individual Prognosis Or Diagnosis-AI,TRIPOD-AI);人工智能临床试验报告规范(CONsolidated Standards Of Reporting Trials-AI,CONSORT-AI)];(3)加强初级医疗与社区筛查能力;(4)培训跨学科AI临床医生;(5)完善患者参与(patient-centric)和共建(co-creation)机制等。

6.5 多模态数字表型整合框架

建立统一的、多层次的多模态数字表型整合框架是推动NDD精准医学的关键[67]。该框架应包含以下层级:

(1)生物层级:基因组学(APOE、GBA、LRRK2等风险基因)、蛋白质组学(CSF和血浆蛋白标志物)、代谢组学[3,60,68];(2)影像层级:sMRI(结构萎缩)、DTI(微结构完整性)、fMRI(功能连接)、PET(分子病理)[23,25];(3)数字表型层级:可穿戴设备(运动、步态、睡眠)、智能手机(认知测试、语音、打字动态)、眼动追踪、VR评估;(4)临床层级:神经心理评估、功能评估、生活质量。各层级数据用跨模态注意力机制来挖掘层级间交互关系,再以纵向模型跟踪各层级随时间的变化,由此构建起从分子到行为、从结构到功能的完整疾病画像。

6.6 多中心前瞻性验证与临床转化

将AI模型从理论研究推向临床实践,需要严格的多中心前瞻性验证[25,61]。验证框架应包括:独立的前瞻性队列验证(而非回顾性数据);真实世界诊断性能评估(包括阳性预测值和阴性预测值);长期随访以确认早期发现的临床意义;以及头对头比较(与标准诊断路径的对比)。

7 结论

NDD中AD、PD患者群体以前所未有的速度成为21世纪全球公共卫生最突出、最紧迫的问题之一,而AI技术为此提供了早期筛查、精准预测的新机遇。本文对基于多模态影像sMRI、PET、DTI、fMRI以及数字生物标志物可穿戴设备、语音分析、眼动追踪、VR评估等手段的AI方法在AD和PD早筛预测中的研究进展做了很好的梳理,讨论了深度学习架构3D-CNN、ViT、RNN-LSTM、GNN及可解释AI方法,展示了AI在神经系统变性疾病领域的巨大潜力。更难得的是,近年代表性研究已经取得足以令人振奋的突破,目前AD、PD的筛查及预测或许已经从“追赶人类专家”阶段真正迈入“超越人类专家”阶段。然而,从实验室到临床的转化之路仍有若干重大挑战亟待解决:多中心数据标准化、模型泛化性及可重复、可解释的一致性及可靠性、数字鸿沟带来的公平性问题,以及伦理筛查原则的严格遵循,都是AI临床落地前必须妥善解决的课题。

由于智能体AI系统、数字孪生技术、联邦学习框架以及多模态数字表型整合都属于AI在NDD领域发展的明确方向,故不难预见,多项技术结合起来可以在保护隐私的前提下挖掘多中心数据的价值,进而建立个性化、动态化的疾病预测模型,由此从“被动治疗”转向“主动预防”。

总而言之,AI促成的多模态影像及数字生物标志物分析已经很好地重塑了NDD早筛、早预测的范式,虽然目前尚不能直接用于大规模临床部署,但是技术进步的速度加快、政策环境日趋有利,故而精准、可及、公平的早期预警体系正在从愿景变为现实,预示着NDD防治已进入AI赋能的新时代。

参考文献

[1] Myszczynska MA, Ojamies PN, Lacoste AMB, et al. Applications of machine learning to diagnosis and treatment of neurodegenerative diseases[J]. Nat Rev Neurol, 2020, 16(8): 440-456.

[2] Heemels MT. Neurodegenerative diseases[J]. Nature, 2016, 539(7628): 179.

[3] Jack CR, Bennett DA, Blennow K, et al. NIA-AA Research Framework: Toward a biological definition of Alzheimer’s disease[J]. Alzheimers Dement, 2018, 14(4): 535-562.

[4] Blauwendraat C, Nalls MA, Singleton AB. The genetic architecture of Parkinson’s disease[J]. Lancet Neurol, 2020, 19(2): 170-178.

[5] Frisoni GB, Hansson O, Nichols E, et al. New landscape of the diagnosis of Alzheimer’s disease[J]. Lancet, 2025, 406(10510): 1389-1407.

[6] Chen S, Cao Z, Nandi A, et al. The global macroeconomic burden of Alzheimer’s disease and other dementias: Estimates and projections for 152 countries or territories[J]. Lancet Glob Heal, 2024, 12(9): e1534-e1543.

[7] GBD 2023 Disease and Injury and Risk Factor Collaborators. Burden of 375 diseases and injuries, risk-attributable burden of 88 risk factors, and healthy life expectancy in 204 countries and territories, including 660 subnational locations, 1990-2023: A systematic analysis for the Global Burden of Disease Study 2023[J]. Lancet, 2025, 406(10513): 1873-1922.

[8] Su D, Cui Y, He C, et al. Projections for prevalence of Parkinson’s disease and its driving factors in 195 countries and territories to 2050: Modelling study of Global Burden of Disease Study 2021[J]. BMJ, 2025, 388: e080952.

[9] Jasodanand VH, Kowshik SS, Puducheri S, et al. AI-driven fusion of multimodal data for Alzheimer’s disease biomarker assessment[J]. Nat Commun, 2025, 16: 7407.

[10] Cullen NC, Novak P, Tosun D, et al. Efficacy assessment of an active tau immunotherapy in Alzheimer’s disease patients with amyloid and tau pathology: A post hoc analysis of the “ADAMANT” randomised, placebo-controlled, double-blind, multi-centre, phase 2 clinical trial[J]. EBioMedicine, 2024, 99: 104923.

[11] Morris HR, Spillantini MG, Sue CM, et al. The pathogenesis of Parkinson’s disease[J]. Lancet, 2024, 403(10423): 293-304.

[12] van Dyck CH, Swanson CJ, Aisen P, et al. Lecanemab in early Alzheimer’s disease[J]. N Engl J Med, 2023, 388(1): 9-21.

[13] Chudzik A, Śledzianowski A, Przybyszewski AW. Machine learning and digital biomarkers can detect early stages of neurodegenerative diseases[J]. Sensors (Basel), 2024, 24(5): 1572.

[14] Xue C, Kowshik SS, Lteif D, et al. AI-based differential diagnosis of dementia etiologies on multimodal data[J]. medRxiv, 2024: 2024.02.08.24302531.

[15] AlHarkan K, Sultana N, Al Mulhim N, et al. Artificial intelligence approaches for early detection of neurocognitive disorders among older adults[J]. Front Comput Neurosci, 2024, 18: 1307305.

[16] Jack CR Jr, Arani A, Borowski BJ, et al. Overview of adni mri[J]. Alzheimers Dement, 2024, 20(10): 7350-7360.

[17] Dentamaro V, Impedovo D, Musti L, et al. Enhancing early Parkinson’s disease detection through multimodal deep learning and explainable AI: insights from the PPMI database[J]. Sci Rep, 2024, 14(1): 20941.

[18] Ai M, Liu Y, Liu D, et al. Research progress in predicting the conversion from mild cognitive impairment to Alzheimer’s disease via multimodal MRI and artificial intelligence[J]. Front Neurol, 2025, 16: 1596632.

[19] Bounsall K, Milne-Ives M, Hall A, et al. Artificial intelligence applications for assessment, monitoring, and management of Parkinson disease symptoms: Protocol for a systematic review[J]. JMIR Res Protoc, 2023, 12: e46581.

[20] Wang X, Huang W, Su L, et al. Neuroimaging advances regarding subjective cognitive decline in preclinical Alzheimer’s disease[J]. Mol Neurodegener, 2020, 15(1): 55.

[21] Zhang J, Chen H, Wang J, et al. Linking white matter hyperintensities to regional cortical thinning, amyloid deposition, and synaptic density loss in Alzheimer’s disease[J]. Alzheimers Dement, 2024, 20(6): 3931-3942.

[22] Venugopalan J, Tong L, Hassanzadeh HR, et al. Multimodal deep learning models for early detection of Alzheimer’s disease stage[J]. Sci Rep, 2021, 11: 3254.

[23] Tabarestani S, Eslami M, Cabrerizo M, et al. A tensorized multitask deep learning network for progression prediction of Alzheimer’s disease[J]. Front Aging Neurosci, 2022, 14: 810873.

[24] Sun J, Xie Z, Sun Y, et al. Precise prediction of cerebrospinal fluid amyloid beta protein for early Alzheimer’s disease detection using multimodal data[J]. MedComm, 2024, 5(5): e532.

[25] Camacho M, Wilms M, Almgren H, et al. Exploiting macro- and micro-structural brain changes for improved Parkinson’s disease classification from MRI data[J]. npj Park Dis, 2024, 10: 43.

[26] Chattopadhyay T, Singh A, Laltoo E, et al. Comparison of anatomical and diffusion MRI for detecting Parkinson’s disease using deep convolutional neural network[J]. bioRxiv, 2023: 2023.05.01.538952..

[27] Duffy IR, Boyle AJ, Vasdev N. Improving PET imaging acquisition and analysis with machine learning: A narrative review with focus on Alzheimer’s disease and oncology[J]. Mol Imaging, 2019, 18: 1536012119869070.

[28] Xiang J, Zhang Z, Wu S, et al. Positron emission tomography tracers for synucleinopathies[J]. Mol Neurodegener, 2025, 20(1): 1.

[29] Pitton Rissardo J, Fornari Caprara AL. Cardiac 123I-metaiodobenzylguanidine (MIBG) scintigraphy in Parkinson’s disease: a comprehensive review[J]. Brain Sci, 2023, 13(10): 1471.

[30] Abdelaziz M, Wang T, Anwaar W, et al. Multi-scale multimodal deep learning framework for Alzheimer’s disease diagnosis[J]. Comput Biol Med, 2025, 184: 109438.

[31] Bucci M, Chiotis K, Nordberg A, et al. Alzheimer’s disease profiled by fluid and imaging markers: Tau PET best predicts cognitive decline[J]. Mol Psychiatry, 2021, 26(10): 5888-5898.

[32] Sendi MSE, Zendehrouh E, Miller RL, et al. Alzheimer’s disease projection from normal to mild dementia reflected in functional network connectivity: A longitudinal study[J]. Front Neural Circuits, 2020, 14: 593263.

[33] Bagarinao E, Kawabata K, Watanabe H, et al. Connectivity impairment of cerebellar and sensorimotor connector hubs in Parkinson’s disease[J]. Brain Commun, 2022, 4(5): fcac214.

[34] Chaitanuwong P, Singhanetr P, Chainakul M, et al. Potential ocular biomarkers for early detection of Alzheimer’s disease and their roles in artificial intelligence studies[J]. Neurol Ther, 2023, 12(5): 1517-1532.

[35] Wisely CE, Wang D, Henao R, et al. Convolutional neural network to identify symptomatic Alzheimer’s disease using multimodal retinal imaging[J]. Br J Ophthalmol, 2022, 106(3): 388-395.

[36] Cheung CY, Ran AR, Wang S, et al. A deep learning model for detection of Alzheimer’s disease based on retinal photographs: A retrospective, multicentre case-control study[J]. Lancet Digit Health, 2022, 4(11): e806-e815.

[37] Palmirotta C, Aresta S, Battista P, et al. Unveiling the diagnostic potential of linguistic markers in identifying individuals with Parkinson’s disease through artificial intelligence: A systematic review[J]. Brain Sci, 2024, 14(2): 137.

[38] Lim BY, Lai KW, Haiskin K, et al. Deep learning model for prediction of progressive mild cognitive impairment to Alzheimer’s disease using structural MRI[J]. Front Aging Neurosci, 2022, 14: 876202.

[39] Priyadharshini S, Ramkumar K, Vairavasundaram S, et al. Bio-inspired feature selection for early diagnosis of Parkinson’s disease through optimization of deep 3D nested learning[J]. Sci Rep, 2024, 14: 23394.

[40] Lee G, Nho K, Kang B, et al. Predicting Alzheimer’s disease progression using multi-modal deep learning approach[J]. Sci Rep, 2019, 9: 1952.

[41] Jia M, Yang S, Li S, et al. Early identification of Parkinson’s disease with anxiety based on combined clinical and MRI features[J]. Front Aging Neurosci, 2024, 16: 1414855.

[42] Oh K, Chung YC, Kim KW, et al. Classification and visualization of Alzheimer’s disease using volumetric convolutional neural network and transfer learning[J]. Sci Rep, 2019, 9(1): 18150.

[43] El-Assy AM, Amer HM, Ibrahim HM, et al. A novel CNN architecture for accurate early detection and classification of Alzheimer’s disease using MRI data[J]. Sci Rep, 2024, 14: 3463.

[44] Odimayo S, Olisah CC, Mohammed K. Structure focused neurodegeneration convolutional neural network for modelling and classification of Alzheimer’s disease[J]. Sci Rep, 2024, 14: 15270.

[45] Grammenos G, Vrahatis AG, Lazaros K, et al. AI agents in Alzheimer’s disease management: Challenges and future directions[J]. Front Aging Neurosci, 2025, 17: 1735892.

[46] Atefe A, Mohsen EM. Smart ROI Detection for Alzheimer’s Disease prediction using explainable AI[J]. arXiv, 2023(10): 2303.10401.

[47] Saleh H, ElRashidy N, Abd Elaziz M, et al. Genetic algorithm-based hybrid deep learning model for explainable Alzheimer’s disease prediction using temporal multimodal cognitive data[J]. Int J Data Sci Anal, 2025, 20(2): 1073-1103.

[48] Yousefzadeh N, Tran C, Ramirez-Zamora A, et al. Neuron-level explainable AI for Alzheimer’s Disease assessment from fundus images[J]. Sci Rep, 2024, 14: 7710.

[49] Bao Y. BrainSim: AI-driven brain MRI simulation for Alzheimer’s disease diagnosis[J]. HSET, 2024, 114: 223-235.

[50] Zhao H, Cao J, Xie J, et al. Wearable sensors and features for diagnosis of neurodegenerative diseases: A systematic review[J]. Digit Health, 2023, 9: 20552076231173569.

[51] Winer JR, Lok R, Weed L, et al. Impaired 24-h activity patterns are associated with an increased risk of Alzheimer’s disease, Parkinson’s disease, and cognitive decline[J]. Alzheimers Res Ther, 2024, 16(1): 35.

[52] Collyer TA, Murray AM, Woods RL, et al. Association of dual decline in cognition and gait speed with risk of dementia in older adults[J]. JAMA Netw Open, 2022, 5(5): e2214647.

[53] Sathish R, Muthukumar R, Kumaran KM, et al. Intelligent decision-making systems for early detection of Alzheimer’s disease using wearable technologies and deep learning[J]. Sci Rep, 2026, 16: 6025.

[54] Johnson S, Kantartjis M, Severson J, et al. Wearable sensor-based assessments for remotely screening early-stage Parkinson’s disease[J]. Sensors (Basel), 2024, 24(17): 5637.

[55] Jiang M, Liu Y, Cao Y, et al. Diagnosis of Parkinson’s disease by eliciting trait-specific eye movements in multi-visual tasks[J]. J Transl Med, 2025, 23(1): 65.

[56] Sigcha L, Pavón I, Costa N, et al. Automatic resting tremor assessment in Parkinson’s disease using smartwatches and multitask convolutional neural networks[J]. Sensors (Basel), 2021, 21(1): 291.

[57] Park B, Kim Y, Park J, et al. Integrating biomarkers from virtual reality and magnetic resonance imaging for the early detection of mild cognitive impairment using a multimodal learning approach: Validation study[J]. J Med Internet Res, 2024, 26: e54538.

[58] Moore J, Celik Y, Stuart S, et al. Using video technology and AI within Parkinson’s disease free-living fall risk assessment[J]. Sensors (Basel), 2024, 24(15): 4914.

[59] Wang Y, Gao R, Wei T, et al. Predicting long-term progression of Alzheimer’s disease using a multimodal deep learning model incorporating interaction effects[J]. J Transl Med, 2024, 22(1): 265.

[60] Mehdipour Ghazi M, Selnes P, Timón-Reina S, et al. Comparative analysis of multimodal biomarkers for amyloid-beta positivity detection in Alzheimer’s disease cohorts[J]. Front Aging Neurosci, 2024, 16: 1345417.

[61] Chen H, Liu X, Luo X, et al. An automated hybrid approach via deep learning and radiomics focused on the midbrain and substantia nigra to detect early-stage Parkinson’s disease[J]. Front Aging Neurosci, 2024, 16: 1397896.

[62] Majhi B, Kashyap A, Mohanty SS, et al. An improved method for diagnosis of Parkinson’s disease using deep learning models enhanced with metaheuristic algorithm[J]. BMC Med Imaging, 2024, 24(1): 156.

[63] Al Olaimat M, Martinez J, Saeed F, et al. PPAD: A deep learning architecture to predict progression of Alzheimer’s disease[J]. Bioinformatics, 2023, 39(S1): i149-i157.

[64] Zhang Y, Yu L, Lv Y, et al. Artificial intelligence in neurodegenerative diseases research: A bibliometric analysis since 2000[J]. Front Neurol, 2025, 16: 1607924.

[65] Ford E, Milne R, Curlewis K. Ethical issues when using digital biomarkers and artificial intelligence for the early detection of dementia[J]. Wires Data Min Knowl Discov, 2023, 13(3): e1492.

[66] Amato LG, Lassi M, Vergani AA, et al. Digital twins and non-invasive recordings enable early diagnosis of Alzheimer’s disease[J]. Alzheimers Res Ther, 2025, 17(1): 125.

[67] Libon DJ, Swenson R, Price CC, et al. Digital assessment of cognition in neurodegenerative disease: A data driven approach leveraging artificial intelligence[J]. Front Psychol, 2024, 15: 1415629.

[68] Schultz SA, Liu L, Schultz AP, et al. γ-Secretase activity, clinical features, and biomarkers of autosomal dominant Alzheimer’s disease: Cross-pal and longitudinal analysis of the Dominantly Inherited Alzheimer Network observational study (DIAN-OBS)[J]. Lancet Neurol, 2024, 23(9): 913-924.

引证本文

于蕾 , 温瑶 , 李航 , 任丹 , 丁聪 , 郑文旭. 人工智能诊断神经系统变性疾病——多模态影像与数字生物标志物在阿尔茨海默病与帕金森病早期筛选及预测中的最新进展[J]. 中风与神经疾病杂志, 2026, 43(9): 777-787.

版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言

来源:梅斯医学·临床资讯 · news.medsci.cn