基于多模态深度学习的脑年龄预测模型揭示阿尔茨海默病认知衰退与淀粉样病理机制

为解决阿尔茨海默病(AD)早期诊断难题，中国科学技术大学附属第一医院团队开发了一种多模态深度学习框架，整合10,000余例T1加权MRI与人口统计学数据，构建脑年龄预测模型（MAE=3.302年），并通过迁移学习实现认知功能（CDR预测RMSE=0.334）和淀粉样斑块（AUC≈0.8）的高精度预测。该研究为MRI无创诊断神经退行性疾病提供了新范式。

　　

研究背景
随着全球老龄化加剧，阿尔茨海默病(AD)等神经退行性疾病成为重大公共卫生挑战。传统诊断依赖淀粉样蛋白PET等侵入性检测，成本高昂且普及受限。磁共振成像(MRI)虽具无创优势，但现有分析方法依赖脑图谱分割，难以捕捉全脑细微结构变化。更棘手的是，AD患者脑萎缩模式与正常衰老高度重叠，亟需能区分生理性与病理性衰老的智能算法。

研究设计与方法
中国科学技术大学附属第一医院联合多中心团队，收集六大队列（ADNI、OASIS等）7,000余人的10,000+例T1-MRI数据，构建融合3D CNN与Transformer的多模态框架。通过三步策略：(1)基于健康人群训练脑年龄预测基础模型；(2)迁移学习构建认知评分(CDR)预测模型；(3)整合APOE基因型开发淀粉样斑块(SUVR)预测模型。关键技术包括：线性配准保留空间信息、Grad-CAM可视化关键脑区、AdamW优化器动态调参。

研究结果

脑年龄预测模型验证
在ADNI测试集中，模型对认知正常人群的预测平均绝对误差(MAE)仅3.302年。值得注意的是，脑年龄差（预测年龄-实际年龄）随认知衰退显著增大：痴呆组差值为8.650年，显著高于轻度认知障碍(MCI)组的4.138年（p<0.001）。这种差异在调整年龄偏倚后仍保持稳定，提示其可作为病理性衰老的生物标志物。

认知功能预测性能
迁移学习模型在痴呆识别中表现优异，CN vs痴呆分类AUC达0.949。特征图谱显示内侧颞叶、海马等AD典型萎缩区域贡献度最高（Grad-CAM值>0.8），与病理学研究高度吻合。血浆生物标志物分析进一步揭示，脑年龄差与Aβ₄₂/Aβ₄₀比值负相关（r=-0.32），与pTau₁₈₁正相关（r=0.41），证实模型捕获的异常衰老与AD核心病理相关。

淀粉样斑块预测突破
最终模型在痴呆患者中预测淀粉样阳性的AUC达0.803，且性能随认知恶化提升：MCI组AUC为0.751，而CN组仅0.5（随机水平）。这一梯度变化符合AD病理发展规律，暗示模型可能捕捉到淀粉样沉积的时空动态特征。

结论与意义
该研究首次实现MRI驱动的三位一体评估框架：脑年龄差量化整体衰老程度、认知预测定位功能损害、淀粉样预测明确病因学特征。其创新性体现在：(1)采用6自由度线性配准最大限度保留原始空间信息；(2)Transformer模块巧妙处理缺失数据；(3)迁移学习策略突破小样本限制。临床转化价值在于，仅需常规MRI即可同步评估AD三大核心特征，为基层医院提供普惠性诊断工具。未来可扩展至tau蛋白等其他病理预测，推动AD精准分型。

（注：全文数据与结论均源自原文，未添加任何推测性内容）