Page 154 - 《南京医科大学学报（自然科学版）》2026年第3期
P. 154

第46卷第3期
               ·462 ·                            南 京    医 科 大 学 学         报                        2026年3月


              现持续萎缩趋势，且其萎缩频率与临床认知障碍严重                                APOEε4 等位基因是 AD 最重要的遗传风险因
                          ［46］
              程度显著相关 。这类模型不仅能精确测量海马体                            素。研究发现，APOEε4 携带者的血浆脂质代谢谱
                                             ［46］
              积，还能解析其亚区的细微形态改变 。研究评估的                           发生特征性改变，特别是甘油磷脂和鞘脂类物质
              DL海马体自动分割算法（如Hippodeep）分割结果与                      水平发生显著变化         ［59］ 。将这些遗传信息与蛋白质
              医学专家手工分割的金标准高度一致（Dice系数最高                         组学数据整合，可将 AD 风险预测的准确率提高
              达0.86），并能有效区分发生AD、MCI与健康对照组                       12.7% ［56］ 。AI 算法在多标志物整合中发挥着不可
              的脑萎缩差异。相比传统分割工具（如FreeSurfer），                     替代的作用。随机森林、梯度提升等机器学习方法
              这些 DL算法在保持相当甚至更高精度的同时，将处                          可以有效处理高维度、小样本的生物标志物数据。
              理时间从数小时缩短至数秒或数分钟，效率提升超过                           最新开发的高效整合与非线性关系建模通过结合
              80%，为大规模临床研究和应用奠定了基础                      ［48］ 。  p⁃Tau181、GFAP 和 NFL 等标志物，将 MCI 向 AD 转
              Xhima 等 ［42］ 发现，Aβ沉积主要导致内侧颞叶亚区萎                   化的预测准确率提升至87.3%            ［60］ 。通过整合多模态
              缩，而脑小血管病（small vessel disease，SVD）相关的             生物标志物（如血浆中 GFAP、CSF 中 YKL⁃40）与结
              白质高信号（white matter hyperintensities，WMH）则         构方程建模，系统量化其在 AD 病理级联中的中介
              与海马整体形态改变相关。这种亚区特异性分析                             作用，显著提高了对早期AD的诊断判别力（如血浆
              为鉴别 AD 混合型病理（如 AD 合并 SVD）以及早期                     GFAP区分Aβ状态的AUC>0.90）和病理机制解析精
                                                                                                  ［56］
              筛查与诊断提供了重要依据。                                     度（与Aβ蛋白PET成像一致性达93%） 。
              3.1.2 高维度影像数据的自动化特征提取能力                                多模态整合策略进一步突破技术瓶颈。基于
                  一项涵盖97项AI 驱动MRI 研究的系统综述表                      随机森林等机器学习模型，融合体液生物标志物与
              明，以 CNN 为代表的 DL 模型在区分 AD、MCI 与正                   遗传因子、神经影像组学特征（如海马体结构或纹
              常衰老的分类任务中，加权平均准确率达89.2%，显                         理特征）以及多基因风险评分（polygenic risk score，
              著高于支持向量机（83.7%）和随机森林（81.5%）等                      PRS）等多源数据，可显著提升疾病进展预测的准确
              传统机器学习方法        ［49-51］ 。                         性与稳健性。现有研究表明，此类多模态融合模型
              3.1.3 多模态数据整合能力                                   在AD早期识别和预后预测中表现出优越性能。部
                  通过结合 sMRI、功能 MRI 和 PET 成像数据，DL                分研究报道其预测未来 5 年疾病进展的 AUC 可达
              模型可以更全面地评估AD的病理改变。一项针对                            0.90以上（P < 0.001），相比单一模态模型（如仅使用
              AD和原发性年龄相关Tau蛋白病的纵向研究发现，                          影像或仅使用遗传标记）提升超过 0.15 个单位，显
              TDP⁃43 蛋白病理与海马萎缩加速密切相关（β=                         著验证了“1+1>2”的多模态协同效应。这种整合策
              0.41，P < 0.01） 。在机制研究方面，借助 DL 模型                  略不仅提高了模型的判别能力，还为进一步揭示
                           ［51］
              发现了铁代谢异常在AD进展中的重要作用。影像                            AD 多种病理过程（如 Aβ沉积、Tau 蛋白缠结、神经
              组学分析显示，海马区铁转运蛋白下调与特定的形                            变性等）之间的相互作用提供了新的数据融合与分
              态学改变相关，这些改变可能成为评估铁死亡相关                            析框架，具有重要的科研与临床转化潜力                   ［61］ 。在多
              神经退行性变的影像学生物标志物 。                                 中心人类队列的验证中，多种血浆磷酸化 Tau 生物
                                             ［52］
                  值得注意的是，多模态 DL 框架的引入进一步                        标志物（如Janssen p⁃Tau217、ADx p⁃Tau181）展现出
              增强了临床适用性。整合神经心理学测试、人口统                            较高的判别准确性（AUC=0.94~0.96），能够有效区
              计学数据和纵向影像的多模态模型，其诊断准确率                            分 AD 与非 AD 的临床特征；同时，本研究证实小鼠
              可与神经科医生相媲美           ［53］ 。然而，临床应用仍需谨             模型中发现的年龄相关免疫模块（以 Trem2 和 Ty⁃
              慎，建议结合 Aβ蛋白 PET 成像、Tau 蛋白 PET 成像                  robp 为核心）及 APOE4 相关分子通路（如 Serpina3
                              ［54］
              等提高诊断特异性 。                                        基因上调）在AD患者脑组织（尤其是易受累的颞叶
              3.2  多模态整合技术的开发与应用                                皮层）中同样失调，体现了其作为疾病机制靶点和
                  AD 早期筛查与诊断正从单一生物标志物分析                         潜在生物标志物的潜力           ［26，59-61］ 。
              转向多模态整合策略。基于血液的生物标志物（如
                                                                4 总结与展望
              p⁃Tau181、GFAP）与遗传风险因子（如 APOEε4 基因
              型）的联合检测，结合AI算法，能更准确地预测疾病                               尽管血液和唾液生物标志物在AD早期诊断中
              进展  ［55-58］ 。                                     展现出良好应用前景          ［60］ ，但其临床转化仍面临多重
   149   150   151   152   153   154   155   156   157   158   159