阿尔茨海默病（AD）是目前全球致残率与致死率最高的神经退行性疾病之一，占所有痴呆症病例的60%至70%。临床上，虽然脑结构病变与认知功能障碍是确诊该病的核心指标，但要从高危人群中精准预测出“谁会发展为阿尔茨海默病”，却是一个耗时耗力的系统性工程，极度依赖昂贵的多模态神经影像（如 PET 扫描）、纵向随访轨迹、脑脊液或血液蛋白质组学，以及极度稀缺的神经心理学专家量表测试。
近日，美国加州大学旧金山分校（UCSF）放射与生物医学成像系阿希什·拉吉（Ashish Raj）教授领衔的科研团队，在国际衰老研究顶尖期刊《自然-老化》（Nature Aging）上发表了最新突破性成果。他们开发了一种由领域知识驱动的多任务深度学习网络框架，仅凭患者入院时的一次基线核磁共振（Baseline MRI）扫描及基本人口学数据，便实现了对患者当前脑组织分割状态、定量认知功能评分以及未来纵向认知衰退轨迹的高精度外推预测。
临床痛点：昂贵多模态与基层医疗资源的“技术断层”
近年来，深度学习模型在辅助诊断阿尔茨海默病方面展现出了一定潜力，但绝大多数能直接预测患者定量认知功能评分的顶尖 AI 模型，都对输入数据有着近乎苛刻的要求。它们不仅需要横跨数年的纵向追踪数据，还需要昂贵的正电子发射断层扫描（PET）和基因分析配合。
然而，阿尔茨海默病在临床上表现出极强的形态学异质性（Heterogeneity），这使得早期筛查极其困难。为了更好地进行预后指导、追踪疾病走向以及筛选临床试验受试者，定量的认知功能评估（Cognitive assessment）至关重要。但现实情况是，目前由神经心理学家主持的神经认知测试集（Neurocognitive batteries）极其繁琐耗时，基层社区患者往往面临着“一测难求”的医疗资源分配困境。而结构 MRI 虽然是目前临床最易获取、普及率最高的检查手段，但在传统的深度学习框架中，单凭基线 MRI 很难捕获到患者临床进展和认知受损的细微变异性。
技术突破：多任务协同训练打破“开箱即用”AI 局限
为了打破这一僵局，UCSF 拉吉实验室提出了一种高度定制化的多任务深度学习策略，其核心创新在于引入了脑科学的“领域知识（Domain knowledge）”。
该框架并没有直接套用现成的“开箱即用”主流 AI 架构，而是创新性地训练图像模型去协同完成一组“邻近任务（Adjacent tasks）”——即脑部影像的组织分类分割（Tissue class segmentation），将复杂的脑部三维影像精准切分为灰质（Gray matter）、白质（White matter）和脑脊液（CSF）。
“通过这种多任务联合训练，模型能够自主学习并提取出深藏在脑结构影像背后的隐式空间表征（Implicit spatial brain representations）。”该论文资深通讯作者 Ashish Raj 教授解释道，“这使得模型获得了对抗脑实质萎缩引入的形态学噪声、捕获微观形态学变异的卓越能力。”
为了确保模型的泛化能力和鲁棒性，研究团队开展了大规模、跨中心的验证。团队整合了阿尔茨海默病神经影像学倡议（ADNI）数据库的人口学、MRI 及认知随访数据；同时引入了人类连接组计划（HCP）青年人队列的健康大脑影像，使模型充分暴露于无萎缩的健康基线结构中，极大减少了后续任务中的分割误差。最终，模型在完全独立的“达拉斯寿命脑研究（Dallas Lifespan Brain study, DLBS）”外部老龄化队列中进行了盲测，展现出了极强的跨中心通用性。
基线数据表明，这一全新多任务框架的预测效能显著优于包括标准迁移学习（Standard transfer learning）在内的所有现存 AI 方法，仅凭单一的基线 MRI 扫描，就实现了对阿尔茨海默病临床确诊、高精度脑组织分割、当前认知评分以及未来纵向认知轨迹预测的多维度拟合。
转化前瞻：催生低成本临床管线，赋能新药筛选
“与此前的研究方案截然不同，我们的模型不再要求基线认知测试、特殊的影像管线、昂贵的 PET 显像或流体蛋白质组学检测。”论文第一作者、UCSF 拉吉实验室机器学习专家 Daren Ma 指出，这一特性使其成为一种快速、精准且极易在多数常规临床环境中落地的计算工具。它可以绕过高度专业化、耗时且高算力需求的 MRI 形态学测定软件，在患者被转诊到高级影像实验室或拿到全套神经放射学报告之前，就为临床医生提供一目了然的早期预测。
这一突破在转化医学和新药研发领域具备极其深远的产业价值。在针对阿尔茨海默病疾病修饰药物（Disease-modifying drugs）的大型临床试验中，如何将具有高进展风险的“实质进展者（Progressors）”与“稳定非进展者（Non-progressors）”精准甄别出来，是决定试验成败和研发成本的关键。Raj 教授强调，利用该模型仅凭基线数据进行精准的受试者分流和进展追踪，有望呈数量级地缩减临床试验所需的样本量，从而大幅降低跨国药企的新药研发周期与试错成本。
此外，研究团队指出，该模型揭示的“脑形态学与高级认知关联”的底层逻辑，未来可直接外推至帕金森病（Parkinson's）、肌萎缩侧索硬化（ALS，渐冻症）以及亨廷顿舞蹈症（Huntington's）等其他重大神经退行性疾病的早期预测与病程建模中。
联合团队表示，未来的演进版模型将在保持轻量化、高可及性的前提下，尝试兼容更多可得的纵向多模态靶点（如血浆标志物等），以进一步拓宽其在复杂真实世界临床场景中的诊疗效能。
参考文献：Daren Ma et al, Predicting categorical and continuous Alzheimer's disease outcomes from a single MRI scan, Nature Aging (2026). DOI: 10.1038/s43587-026-01121-2
编辑：周敏
排版：李丽
评论 (0)