编辑推荐：
这篇综述整合传统与人工智能（AI）模型，分析用于预测阿尔茨海默病（AD）的神经影像和非神经影像特征。研究发现机器学习（ML）模型应用于相关数据有助于研究与临床诊断，强调 AI 在 AD 风险预测中对早期诊断和个性化干预的潜力。
背景
阿尔茨海默病（Alzheimer's disease，AD）是全球老年人中最常见的年龄相关痴呆类型。传统的预测 AD 风险的诊断模型主要依靠人口统计学和临床数据制定策略、评估发病概率。然而，机器学习（Machine Learning，ML）和其他人工智能（Artificial Intelligence，AI）技术的新进展，在开发个性化风险模型方面展现出了潜力。这些模型利用医学影像及相关报告中的特定患者数据。在本次系统综述中，多项研究全面探究了 ML 在磁共振成像（Magnetic Resonance Imaging，MRI）、遗传学、放射组学和医学数据等方面，用于 AD 风险评估的情况。对这些研究进行严格分析后发现，ML 方法在 AD 风险预测方面潜力巨大。同时，还对当前研究项目以及 AI 驱动方法在增强 AD 风险预测、推动更高效研究和个性化风险缓解策略方面的应用进行了探讨。
目的和方法
本综述整合了传统模型和基于 AI 的模型，深入分析用于 AD 预测的神经影像和非神经影像特征。研究考察了与影像、放射组学、遗传学和临床方面相关的因素。此外，为了让新手和专家研究人员都能受益，本研究全面介绍了用于预测 AD 检测风险的 ML 技术。
结果
最初检索到 2000 年至 2024 年共 700 篇文献，其中 120 项研究符合纳入标准并被选入综述。神经系统疾病的诊断，以及深度学习（Deep Learning，DL）和 ML 的应用，是该主题研究的核心内容。在分析创新模型的医学应用或设计时，应用于神经影像和非神经影像数据的各种 ML 模型，能帮助研究人员和临床医生获取更多信息。本综述为利用 AI 进行 AD 风险评估的现状提供了广泛的指导。
结论
通过整合多种神经影像和非神经影像数据源，本研究为研究人员提供了 AI 在 AD 风险预测应用方面的新视角，强调了其在改善早期诊断和个性化干预策略方面的潜力。未来，随着技术的进一步发展和研究的深入，有望借助 AI 更精准地预测 AD 风险，为患者提供更有效的治疗方案和干预措施，提高患者的生活质量，减轻社会和家庭的负担。这一领域的研究仍在不断探索中，各种新的技术和方法将持续涌现，为攻克 AD 难题带来更多希望。
