《Advanced Science》：Deep Learning for AD Risk Screening and Progression Prediction
编辑推荐：
：
阿尔茨海默病（Alzheimer’s disease, AD）免疫疗法（immunotherapy）的兴起凸显了对可及、耗时短的生物标志物用于早期诊断的需求。基于磁共振成像（magnetic resonance imaging, MRI）的深度学习在此方向
：
阿尔茨海默病（Alzheimer’s disease, AD）免疫疗法（immunotherapy）的兴起凸显了对可及、耗时短的生物标志物用于早期诊断的需求。基于磁共振成像（magnetic resonance imaging, MRI）的深度学习在此方向具有潜力，但少数模型经过充分临床验证。研究人员利用SILCODE队列（722名中国受试者、1,105次扫描），在无需重新训练的条件下，测试了基于西方样本预训练的分类器向独立中国队列的迁移能力，并检验风险评分与疾病进展、认知表现及血浆生物标志物之间的关联。此外，研究人员开发了可解释框架，用于生成个体化脑风险图并识别亚型。该模型区分AD的曲线下面积（area under the curve, AUC）达0.913，灵敏度95.2%，可在临床诊断前2–3年识别90.5%的高危个体。风险评分与认知及血浆指标（尤其是p-tau 217）显著相关。脑风险图揭示AD亚型，包括一组认知快速下降亚组。上述结果建立了一种人群稳健、具临床相关性的MRI基模型，可用于AD早期检测与风险分层。
论文解读：
研究背景与问题提出
阿尔茨海默病（AD）是一种进行性神经退行性疾病，传统诊断依赖认知下降表现，往往错过干预窗口。虽然脑脊液（cerebrospinal fluid, CSF）与正电子发射断层扫描（positron emission tomography, PET）生物标志物提升了早期识别能力，但其有创性、高成本与对专业人员的依赖限制了临床普及。结构磁共振成像（structural MRI）具备无创、可及的优势，而深度学习可提取人眼难以辨识的细微结构特征。然而，既往MRI基AD分类研究普遍存在独立验证不足、样本量小导致过拟合、跨人群泛化差的问题；多数模型缺乏进展预测与病理相关性验证，也难以解释“黑箱”决策。随着仑卡奈单抗与多奈单抗等疾病修饰疗法获批，临床亟需低成本、可规模化的早期筛查与风险分层工具。基于此，研究人员将在北美数据上预训练的MRI深度学习分类器直接迁移至中国SILCODE队列，验证其跨族群适用性、进展预警能力、与多模态生物标志物的关联，并通过可解释方法实现个体化脑风险制图与亚型划分。该论文发表于《Advanced Science》。
主要关键技术方法
研究人员采用SILCODE独立中国纵向队列（722名受试者、1,105次有效MRI扫描，覆盖正常认知NC、主观认知下降SCD、轻度认知损害MCI与AD阶段）。影像侧以3.0 T T1加权结构MRI经基于体素的形态学分析（voxel-based morphometry, VBM）提取灰质密度（grey matter density, GMD）与灰质体积（grey matter volume, GMV）作为特征。模型为已在ADNI（Alzheimer’s Disease Neuroimaging Initiative）上通过迁移学习训练的Inception-ResNet-V2三维分类器，在本次分析中零微调、零重训练直接推理，输出sigmoid风险评分与线性风险评分。可解释性上，构建预测概率约0.5的中性参考模板，通过区域扰动替换生成个体化AD脑风险图；并以k均值聚类对风险图进行亚型发现。统计上采用接收者操作特征（ROC）、线性混合效应模型、Kaplan–Meier生存分析与Cox比例风险回归，关联认知量表与血浆A-T-N-I生物标志物（淀粉样蛋白、tau、神经退行、炎症）。
研究结果
AD分类在中国样本中的表现
研究人员在不重训练条件下将分类器用于SILCODE，AD与NC区分AUC为0.913（95% CI：0.883–0.940）；Youden指数确定截断值0.38时，准确率88.2%、灵敏度95.2%、特异度85.6%、阴性预测值98.0%。受试者级验证与年龄匹配子集结果一致，证明模型具备跨族群迁移能力。
分类器评分对应临床诊断
线性风险评分沿NC、SCD、MCI至AD连续升高，各组间差异显著。模型虽未针对SCD/MCI训练，仍反映AD连续谱严重度梯度，说明其捕获的是核心神经解剖学病理信号。
疾病进展预测性能
基线高危（评分≥0.38）组转化风险显著更高：全队列中86.7%的转化者在基线被识别为高危；MCI高危组中位转化时间约31个月，低危组超过167个月。Cox回归显示，每提升1个标准差风险评分，未校正转化风险约增加197%，校正后依然显著。
分类器在诊断前数年的预警能力
对最终转化为AD者的历次访视分析显示：诊断前2–3年高危捕获率90.5%，3–5年78.3%，5–14年57.1%；风险评分随临近诊断时间单调上升，证实模型可感知前临床神经解剖学演进。
风险评分与认知及血浆生物标志物关联
全样本中风险评分与MMSE、MES、MoCA-B等全局认知及记忆、语言、执行功能子域均显著相关，同时与血浆p-tau 181、p-tau 217、神经丝轻链（neurofilament light chain, NfL）、胶质纤维酸性蛋白（glial fibrillary acidic protein, GFAP）正相关。分阶段看，MCI阶段关联集中在认知量表，NC阶段关联集中在血浆p-tau 217与NfL，提示影像风险评分可跨模态印证病理负荷。
基于脑风险图的亚型与认知下降速度
对AD患者脑风险图聚类得到3个亚型：亚型1高危区位于中脑顶盖、红核、中缝背核、松果体；亚型2以海马与后扣带回为主；亚型3兼具海马与中脑深部结构。基线MCI人群中，亚型3年认知下降速率显著快于亚型1与2，且各组基线MMSE无差异，说明脑风险图可提供超越传统量表的预后增量价值。
讨论与结论翻译
研究人员指出，该MRI基深度学习分类器在西方训练后无需微调即在中国队列中保持稳健判别与预警能力，说明其学习到跨族群通用的AD核心结构特征。模型可在临床诊断前数年识别高危个体，并与血浆核心标志物（尤其p-tau 217）及认知衰退轨迹一致；个体化脑风险图不仅增强可解释性，还揭示具有不同预后的AD亚型，其中MCI亚型3提示需更密集监测与早期干预。结论如下：上述发现建立了一个人群稳健、具临床相关性的MRI基框架，可用于AD早期检测、进展预测与风险分层，并为无创、可规模化的精准神经退行性疾病筛查提供转化基础。
这篇解读已完成，接下来可以选择一个方向继续深化：
