近日，清华大学心理与认知科学系严超赣教授团队、首都医科大学宣武医院韩璎教授团队、卢洁教授团队联合中国科学院心理研究所鲁彬博士的合作研究在国际期刊《Advanced Science》发表。研究团队将基于结构性脑磁共振成像（MRI）的深度学习模型应用于独立的中国纵向队列，验证了其识别阿尔茨海默病（AD）、提示未来疾病进展风险的能力，并进一步生成个体化脑风险图，为早期风险筛查、随访管理和临床研究提供了新的技术依据。
这项研究也为医疗健康企业提出了一个值得共同推进的转化方向：让符合要求的脑 MRI 数据，在常规影像评估之外，提供可量化的 AD 风险信息。研究团队欢迎医疗影像、医疗人工智能、体检与健康管理、医药研发等领域的企业及医疗机构参与合作，共同推进模型的验证、产品开发与应用转化。
图1 从结构脑 MRI 到AD风险评分和个体化脑风险图
基于预训练深度学习模型的分析流程：输入脑结构MRI，生成阿尔茨海默病（AD）风险评分及个体化脑风险图；下方依次展示独立中国队列验证、临床确诊前风险提示，以及个体化脑风险图及影像分型的结果。图中90.5%的高风险捕获率，指最终进展为AD的参与者在首次临床确诊前2–3年内，风险评分达到高风险阈值的MRI扫描记录所占比例。基于个体化脑风险图的影像学分型进一步揭示了不同患者亚型之间的认知下降速度差异。
阿尔茨海默病的病程可能在临床确诊之前已持续多年。对于出现记忆下降或轻度认知障碍的人群，尽早判断谁更需要进一步检查和密切随访，并在出现明确进展迹象时及时干预，是临床工作中亟待解决的重要问题。结构性 MRI 能够无创记录脑结构信息，本研究尝试利用深度学习进一步提取其中与 AD 相关的变化，将这些信息转化为风险评分，为医生安排后续评估提供参考。
研究使用中国认知衰退纵向研究队列 SILCODE，纳入 722 名参与者的 1,105 次有效 MRI 扫描，覆盖认知正常、主观认知下降、轻度认知障碍和 AD 等不同阶段。该模型基于超过85000例结构磁共振样本进行预训练，并基于四个北美和澳大利亚数据集进行AD模型训练和测试。该模型在本研究直接用于中国队列，未重新训练或微调模型参数。这一独立验证为评估模型的跨人群泛化能力提供了重要证据。
在区分 AD 与认知正常的 MRI 记录时，模型的受试者工作特征曲线下面积（AUC）达到 0.913。在该队列确定的判定阈值下，敏感度为 95.2%，特异度为 85.6%。在与原始训练队列年龄匹配的中国受试者子样本中，模型的AUC进一步达到0.962。这些结果显示，模型能够较好地区分患者和认知正常人群，具有较高的 AD 检出能力；同时，部分认知正常参与者的MRI扫描也会被标记为高风险，其临床意义仍需结合其他检查和后续随访综合判断。
模型的价值还体现在对后续疾病进展的提示上。在纳入纵向分析的 474 名基线尚未诊断为 AD 的参与者中，60 人在随访期间进展为 AD，其中 52 人在基线已被模型识别为高风险。在最终进展为 AD 的受试者中，距首次临床确诊 2 至 3 年的 21 次 MRI 记录，有 19 次被模型标记为高风险，捕获率为 90.5%。这一结果提示，影像中的风险信号有可能早于临床确诊出现，为进一步检查和持续随访争取时间。
图2 临床确诊前已出现可识别的影像风险信号
上图为后来确诊者在各时间段的扫描记录捕获率，确诊前 2 至 3 年为 90.5%（19/21 次）；下图为对应的平均风险评分。横轴为距首次 AD 确诊的时间，n 为扫描记录数。
为考察风险评分的生物学意义，研究还分析了它与认知表现、血液生物标志物的关系。在全样本分析中，较高风险评分与较差认知表现，以及较高的血浆 p-tau 217 等指标显著相关。这些关联为模型风险评分的生物学相关性提供了进一步证据，也为未来研究 MRI 与血液检测的互补价值提供了依据。
研究团队进一步开发了可解释性方法，为单个患者生成个体化AD脑风险图，展示不同脑区的结构特征对模型AD风险评分的贡献。基于这些图谱，研究识别出三类影像风险模式；在轻度认知障碍人群中，属于其中一类模式的参与者在基线认知水平相近的情况下，表现出更快的后续认知下降。这一发现有望为更细致的随访分层提供线索，相关图谱及分型仍需在后续研究中继续验证。
图3 脑风险图揭示不同的影像模式和认知变化轨迹
A 至 C 展示三类影像风险模式，彩色区域表示对模型风险判断贡献较大的脑区。D 图显示，基线为轻度认知障碍的三组参与者，其基线 MMSE 评分无显著差异，但第三类的认知下降更快。
对于产业界，这项成果的吸引力在于已有脑影像数据的进一步利用。模型以 常规T1 加权结构脑MRI为基础，经标准化处理后生成风险评分。对于已经开展脑 MRI 检查的机构，符合采集与质量要求的数据有望增加一项风险评估用途。其实际服务价值、处理效率和成本收益，可在具体场景的合作试点中评估。
围绕这一技术基础，研究团队未来希望与合作伙伴探索以下方向：
·医疗影像设备与软件企业：探索将模型接入影像分析或辅助评估平台，开发风险评分与脑风险图的展示功能，并验证不同设备、扫描方案与数据质量条件下的表现。
·记忆门诊及医疗服务机构：围绕轻度认知障碍等重点人群，开展风险分层、进一步检查转诊与随访管理的前瞻性验证，评估模型对实际诊疗流程的增益。
·体检与健康管理机构：针对符合适用条件、已获取规范脑MRI数据的人群，探索与认知评估、专科转诊衔接的脑健康服务，并在目标人群中验证筛查阈值及服务效果。
·医药企业及临床研究机构：探索将模型用于研究对象预筛选和进展风险分层，评估其能否提高受试者招募与随访效率；具体入组与治疗判断仍依据研究方案和临床评估。
中国科学院心理研究所鲁彬、美国北卡罗来纳大学教堂山分校陈彦蓉、首都医科大学宣武医院李瑞贤为论文共同第一作者，清华大学心理与认知科学系严超赣、首都医科大学宣武医院韩璎、卢洁为共同通讯作者。研究获得脑科学与类脑研究相关国家科技重大专项、国家自然科学基金等支持。
欢迎具备临床场景、影像产品、医疗服务网络或产品开发能力的合作伙伴，与团队共同推进这项成果的转化，让更多符合条件的人群能够获得更早、更有依据的 AD 风险评估（产业合作联系：严超赣，yancg@tsinghua.edu.cn）。
论文信息：Lu B, Chen Y-R, Li R-X, et al. Deep Learning for AD Risk Screening and Progression Prediction. Advanced Science, 2026, e78537.
本篇来源：严超贛课题组
排版：杨蓝瑜
责编：牛政旸
审核：伍珍
