综述：人工智能在脑疾病中的应用：诊断、药物发现和闭环治疗的进展

这篇综述系统阐述了人工智能（AI）在脑疾病领域的三大突破：通过卷积神经网络（CNN）、图神经网络（GNN）等多模态AI提升神经影像和组学数据的诊断精度；基于知识图谱（KG）和生成对抗网络（GAN）加速靶点发现与药物重定位（drug repurposing）；开发自适应深部脑刺激（aDBS）等闭环治疗系统，推动个体化医疗。文章同时指出数据标准化、模型可解释性（XAI）和临床转化等挑战。

　　

1 引言

脑疾病因其复杂性和传统疗法的局限性成为全球健康挑战。以阿尔茨海默病（AD）和帕金森病为代表的神经系统疾病面临药物开发困境——中枢神经系统（CNS）药物临床成功率仅7-8%，远低于非CNS药物。血脑屏障（BBB）渗透难题和单一靶点策略（如Aβ假说）的失败促使研究者转向人工智能（AI）。卷积神经网络（CNN）和知识图谱（KG）等技术通过整合神经影像（MRI/PET）、多组学和临床数据，为精准诊疗提供新范式。

2 基础技术：神经网络与多模态AI

卷积神经网络（CNN）擅长处理MRI等网格数据，可识别脑萎缩模式；图神经网络（GNN）则解析蛋白质互作网络（PPI），助力靶点发现。多模态AI的突破性体现在融合时空动态特征——例如DeepSIF框架通过合成训练数据将癫痫灶定位精度提升至96%。知识图谱（如含118万实体的AlzKB）结合生成模型，实现从分子设计到药物重定位的闭环研发。

3 AI辅助诊断与预测

CNN分析T1w/T2w多序列MRI可区分AD亚型，准确率超85%。帕金森病语音/步态分析模型结合长短期记忆网络（LSTM），实现症状动态追踪。值得注意的是，AI预测癫痫术后语言功能改善的准确率达96%，但跨中心验证时性能可能下降20%，凸显数据异质性挑战。

4 精准药物开发

TarKG等知识图谱通过链接预测发现AD新靶点（如CD33）。虚拟筛选结合分子对接，将化合物库筛选效率提升百倍。生成式AI设计穿透血脑屏障的分子，而器官芯片验证显示个体响应差异显著——这解释了为何部分临床前模型未能转化成功。

5 闭环治疗系统

Medtronic Percept? PC神经刺激器代表临床转化典范：其BrainSense?技术通过实时监测局部场电位（LFP），动态调整参数。但EEG闭环系统面临假阳性率高（导致电池耗竭）和毫秒级延迟等技术瓶颈。未来需开发超低功耗神经形态芯片解决实时性难题。

6 挑战与展望

FDA的AI/ML软件监管框架强调动态模型验证的重要性。联邦学习可缓解数据偏见——当前模型对少数族裔的预测误差可能达15-20%。解释性工具（如SHAP）正逐步嵌入诊疗系统，但"黑箱"决策的临床信任建立仍需长期努力。

7 结论

多模态AI正重塑脑疾病诊疗范式：从影像组学驱动的早诊到KG指导的靶向治疗，最终实现aDBS等自适应干预。然而，只有解决数据孤岛、算法偏见和监管滞后等核心问题，才能真正开启精准神经科学的新纪元。