一种新的深度学习框架结合磁共振成像扫描技术，在预测大脑年龄、认知衰退和淀粉样斑块沉积方面展现出显著准确性，为阿尔茨海默病及相关神经退行性疾病的早期检测提供了重要工具。
研究团队开发的多模态人工智能模型，基于来自6个多样化队列中超过7,000名参与者的10,000余份T1加权磁共振扫描数据。该模型采用三维卷积神经网络分析影像数据，并通过额外神经网络整合人口统计学变量。这种整合方法实现了对大脑年龄的精确估算及痴呆相关变化的预测。
在阿尔茨海默症神经影像数据库（ADNI）的认知正常参与者中，该模型的大脑年龄预测平均绝对误差仅3.302年。研究发现，随着认知功能下降，预测大脑年龄与实际生理年龄的差距显著扩大，这表明该模型可能作为神经退化的早期生物标志物。
通过迁移学习技术，研究团队进一步构建了认知预测模型。该模型在临床痴呆评分评估中实现0.334的均方根误差，识别痴呆症的曲线下面积（AUC）接近0.95。值得注意的是，模型能够精准识别内侧颞叶等阿尔茨海默病进展关键区域的脑区病变。
在研究的最后阶段，深度学习模型对痴呆患者淀粉样斑块的预测AUC值约为0.8，进一步验证了MRI影像分析在神经退行性疾病管理中的潜力。
这些发现凸显了AI驱动的MRI分析作为非侵入性工具在临床筛查和监测阿尔茨海默病风险及进展的应用前景。
参考文献：
王C等。基于深度学习的多模态模型预测大脑年龄、认知及淀粉样病理特征。阿尔茨海默病研究与治疗。2025；17(1)：126。
【全文结束】
