Page 153 - 《南京医科大学学报（自然科学版）》2026年第3期

第46卷第3期 王安倩，李心竹，周辰宇. 无创生物标志物与人工智能多模态整合技术在阿尔茨海默病早期诊断与
2026年3月 筛查中的研究进展［J］. 南京医科大学学报（自然科学版），2026，46（3）：457-465，474 ·461 ·

表1 AD唾液标志物的优缺点对比分析
Table 1 Comparison of advantages and disadvantages of AD salivary biomarkers
Key changes/ Diagnostic efficacy
Classification Biomarker Advantage Limitation
Characteristics （%）
Core pathologi⁃ Amyloid β⁃ Aβ42↑（AD），Aβ Individual testing：Non ⁃ invasive sam⁃ Differences in detection method
cal biomarkers protein 42/Aβ40 ratio re⁃ AUC（Aβ42）=0.53（n= pling，early predic⁃ sensitivity（USS method/Aβ40
（Aβ42/Aβ40） flectsmetabolic im⁃ 75），AUC（Aβ40）= tion（elevated before vs. UPS method/Aβ42）
balance 0.84（n=75）；joint test⁃ symptoms）
ing：AUC=0.92（n=59）
Tau protein t⁃Tau↓（AD），p⁃ p⁃Tau/t⁃Tau high spec⁃ Direct association Low concentration（1/1 000 of
（t⁃Tau， Tau181↑（AD），p⁃ ificity AUC=0.78（n= between neuronal cerebrospinal fluid），requires
p⁃Tau181） Tau/t ⁃ Tau ratio ↑ 70） damage and tangles high sensitivity detection tech⁃
（AD） nology，and has cross reaction
with Parkinson
Lactoferrin Lactoferrin↓（AD） AUC=0.96（sensitivity Joint detection is The sample stability is poor
87%/specificity 91% ） highly efficient and and there is no unified stan⁃
（n=116）; PET ⁃ posi⁃ can be associated dardization scheme
tive AUC=0.97 （n= with the metabolome/
116） microbiome

Emerging bio⁃ Metabolomics Metabolic abnor⁃ Target metabolites: Reflecting the whole Susceptible to dietary/oral hy⁃
markers and microbiome malities（AD）， AUC（Ala ⁃ Phe）=0.83 body metabolic im⁃ giene interference and re⁃
S.haemolyticus ↓ （n=109），AUC（Phe ⁃ balance and early quires large ⁃ scale validation.
（AD） Pro）=0.84（n=109; mi⁃ warning potential The current study sample is
crobiome: AUC（S.hae⁃ small
molyticus） =0.71 （n=
110）

Sirtuins SIRT6 ↓（AD），SIRT1 and SIRT6 Revealing aging Individual differences are large
protein SIRT1/3 is posi⁃ changes are significant mechanism， poten⁃ and age ⁃ matched controls are
（SIRT1/3/6） tively correlated tial therapeutic target needed. AD is relatively new
with MMSE score and the study sample is small
α⁃synuclein/ α⁃synuclein↓（AD），AUC（α ⁃ synuclein）= Differentiating AD Specificity is insufficient，the
DJ⁃1 DJ ⁃ 1 ↓（specific 0.71（n=70），AUC（DJ⁃1） from Parkinson’s detection method is not stan⁃
changes） =0.78（n=52） disease dardized，and the evidence for
DJ⁃1 is limited. The study sam⁃
ple size is small

出显著优势。研究表明，基于 DL 的自动化模型能 础分类器和 1 个元分类器构成；每个基础分类器为
够高效识别海马萎缩模式，其准确率显著高于传统 7 层网络结构，输入为 25×25×25 的 sMRI 立方体，元

方法。集成三维卷积神经网络（3D⁃convolutional 分类器包含1个卷积层和1个全连接层。模型在总
neural network，3DCNN）通过分析纵向结构 MRI 数 计2 369例T1加权MRI图像（来自ADNI和OASIS多
据，不仅提高了诊断效率，还能捕捉海马亚区的细 中心数据库的1 005例受试者）上进行训练与验证，
微形态改变，揭示AD病理的异质性 ［45-47］ 。 其中训练集包含 482 例 AD 图像和 802 例健康对照
3.1.1 海马萎缩的自动化识别技术 图像，验证集包含336例AD图像和535例健康对照

集成 3DCNN 能通过分析纵向结构 MRI（struc⁃ 图像。研究表明，该模型在区分AD与健康对照时，
tural magnetic resonance imaging，sMRI）数据，自动识 在验证集和独立测试集中分别达到90%和79%的分
别海马萎缩模式。该模型由12个并行的3DCNN基 类准确率，并发现海马亚区在超过85%的患者中呈