随着人口老龄化的加剧，阿尔茨海默病（AD，又称老年痴呆症）在全世界的患病率逐年上升。尽管现代医学特别是脑科学在AD研究中不断取得新进展，但AD的精准诊疗仍是医学难题之一。近年来，人工智能等新兴技术在多领域应用，能不能让AI给AD的精准诊疗帮帮忙？

湖南师范大学信息科学与工程学院教授毕夏安领衔的脑科学与人工智能团队做了创新尝试。他们将大脑影像和基因数据分别作为AD的宏观视图与微观视图，提出一种用于疾病分类与风险预测的深度学习算法，可精准生成大脑功能网络视图。该算法应用到AD的大量实验显示，多阶段诊断和风险预测准确率分别达74.2%和84.5%，这比当前已有先进诊断方法平均高出10个百分点。

据介绍，该策略的提出，从影像遗传角度大大推动了当前对AD神经生物学机制的认知，以直观、强解释性影像可视化的方式在业界首次为基因组改变如何影响AD患者脑结构/功能改变模式提供了直接证据，有望为简单高效的基因检测方式帮助临床精准诊断和评估AD患者提供循证医学证据。

  ?

用于疾病分类与风险预测的深度学习算法技术框架。受访者 供图

11月6日，该研究成果发表于IEEE TPAMI上，毕夏安为第一作者和通讯作者，美国佐治亚大学教授刘天明为共同通讯作者，哈佛大学医学院和麻省总医院助理教授李响等参与研究，湖南师范大学为论文第一单位及通讯单位。

“码农”能为精准医疗做点啥？

毕夏安此前一直从事网络安全相关研究。近年来，阿尔茨海默病越来越受关注，他和医疗领域的朋友不断交流中得知，其精准诊治一直是难题。

“人工智能等新技术的应用越来越广泛了，我这个‘码农’能为AD的诊疗做点什么？”初步了解一番后，毕夏安发现他还真有“用武之地”。为此，他和中南大学湘雅医院相关科室的医生开展了前期合作，并花两年时间专门学习了神经学科的相关内容，对重大神经退行性疾病进行系统学习。

“AD诊疗难，关键是我们对大脑的认识远不够。”毕夏安说，大脑有最复杂的网络，成人大脑中约有1000亿个神经元。如何挖掘利用大脑数据是关键。既往临床和研究获取了大量大脑数据，但仅是从传统单一维度去理解和思考这些信息，缺乏对信息多维度、跨尺度的整合，诊疗一线的临床医生往往没这么多的时间、精力以及技术功底去做这件事，“这个时候我们‘码农’就派上用场了。”

近年来，虽然研究人员在AD早诊和综合治疗上取得一定进展，但效果仍不理想。

中南大学湘雅医院放射科医学影像人工智能、功能与分子影像学组带头人易小平是毕夏安科研团队合作者，他介绍，现有的早期诊断方案大多基于量表和问卷，准确性和实用性都不尽人意；另一方面，当前临床广泛应用的核磁共振、PET等医疗影像手段在AD的诊断和早期筛查中效能有限，同时这些检查的大规模使用在经济性和便利性方面都难以普及。

  ?

毕夏安（右二）和部分团队成员的合影。受访者 供图

“在现有研究基础上，持续深入开展对AD发病和进展的神经生物学基础研究，不断将研究结果向循证医学证据层面推进，开发出快速且能精准识别个体是否患有AD，以及预测个体患病风险概率的无创性方法具有重要价值。”毕夏安说。

给基因突变和脑区功能变化“牵线”

在生物医学领域，AD被定义为由多种复杂因素共同导致的脑退行性疾病。目前研究人员已开发出多种检测技术以帮助临床工作者了解病情，比如磁共振、PET等医学影像检查手段。

“但实际上，除了少数病人在疾病的中晚期可能有一些诸如海马硬化、萎缩等改变可帮助临床医生进一步佐证AD诊断外，阿尔茨海默症早期在影像上基本没有明显改变，导致早期识别AD几乎成为临床医生无法完成的任务，因此传统的医学影像分析和诊断在AD的早期诊断临床应用上几乎是无效的，当前AD的诊断依然依赖于临床医生的经验。”李响表示。

近年的研究发现，AD患者在基因组学层面上表现出不一样的改变，大量致病基因等陆续被报道出来；微观层面上的基因突变会深刻影响神经元活动，是导致大脑从正常状态逐渐演化为异常状态的主要驱动因素。

Cell曾发表过一项研究，发现一批特定的基因对神经回路的形成与演变有着重要调控作用。这些研究表明，基因突变可能是疾病形成与发展的内在原因。那么，AD患者微观层面的基因突变究竟如何改变大脑结构和功能模式？

“微观的基因突变与宏观的脑区功能变化之间到底存在着怎样的具体联系，目前科学界仍无定论。”毕夏安说，生命科学领域的研究已进入大数据时代，研究者通过广泛采集并充分利用多组学数据中丰富的互补性信息，全面探究各种生物标记之间的潜在联系，进而充分研究复杂脑疾病的发病机制。但各种医疗数据的异质性和不平衡性带来了信息融合困难、数据挖掘效率低下等问题。

毕夏安举例说，一个人得了阿尔茨海默症，除了通过影像手段检查，另一种方法是通过基因突变发现，因为脑区的功能变化可能是基因突变导致的。基因是网络化运作的。人说话这个举动，就是若干个脑区被同时激活后完成的。而激活若干个脑区的源头就是基因网络，二者之间到底是种怎样的映射关系或映射模式？团队要做的就是给它们“牵线搭桥”。

临床上，医学影像等检测技术能提供种类丰富的数据，每种数据都为疾病诊疗提供一个视图，但这些视图都只能看到疾病的某一个面。几年前，有学者提出“多视图学习”概念，能够充分利用视图间的互补性与一致性提升人工智能效率。

为此，上述科研团队提出了基于人工智能技术的疾病早期诊断与风险预测新思路，融合阿尔茨海默症患者早期的脑影像组和基因组数据，借助患者的微观视图与宏观视图构建了多视图结构信息映射模型，提出结构映射生成对抗网络算法，通过被试的基因网络（阿尔茨海默症的微观视图）可以精准地生成大脑的功能网络（阿尔茨海默症的宏观视图）。

“我们在阿尔茨海默病神经影像学计划(ADNI)数据库中，提取了197个早期轻度认知功能障碍、203个晚期轻度认知功能障碍和233个阿尔茨海默症患者的数据信息做验证，取得了可喜结果。”毕夏安介绍，在阿尔茨海默症的多阶段诊断任务与风险预测任务中，团队提出的算法模型分别达到了74.2%与84.5%的诊断准确率，这比当前已有的先进诊断方法平均高出10个百分点。

有望抽管血就可诊断和预测AD

毕夏安表示，在可解释性方面，团队基于网络数据结构设计了清晰可回溯的卷积操作，每一步操作都与明确的生物医疗背景相对应，可为AD的智慧医疗提供一种高效、可靠的人工智能技术。该技术具有良好的泛化性，可用同一种方法广泛地捕获到AD中基因数据和脑影像数据之间的映射模式，解决人工智能医疗大模型中的核心技术难点。

“目前抽血做全基因组测试，是可能判断早期阿尔茨海默症和风险的，但并不知道基因如何刻画大脑功能的改变，且大脑改变是不可视的。基于团队算法，个体基因数据可直接映射出对应的脑网络。”毕夏安说，这一算法模型未来投入临床后，有望只抽取一管血，进而做全基因组测序，就可判断一个人是否患有AD，并可预测将来某个时间患病的风险概率，省去了后续进一步脑影像等检查环节。

“数据与AI正助推重塑医疗行业。目前，大模型已成为人工智能发展新潮流，ChatGPT的原理就是从海量的语料中提取特征信息，不断完善模型使回答问题的效果越来越好。我们将来要做的，就是把更多疾病、更多种类的生物医学数据纳入到一个稳定、通用的人工智能框架中，将更多视图的信息融合进来，打造医学人工智能大模型。”毕夏安表示。

毕夏安强调，这一技术落地的关键，是科研团队、医疗机构、医疗企业等之间开展充分的协作。团队将继续推进更大规模的多视图人工智能模型开发，致力于为更多疾病的临床诊疗提供智能化、个性化的医学人工智能大模型，提供一种更加简单、高效、全面检测患者各方面信息的方式。

IEEE TPAMI审稿人认为，这是一项多视图学习和生物医学交叉领域的开创性工作，创新性地从视图映射角度提出一种泛化性良好的深度学习算法。探索从一个视图到另一个视图的映射模式是目前人工智能领域研究所缺乏的，相信该研究有望改善老年痴呆早期诊断与疾病风险预测流程，产出更有价值的下游应用。

上述研究得到了国家自然科学基金、湖南省自然科学基金、湖南省教育厅等项目的支持。

相关论文信息：

https://doi.org/10.1109/TPAMI.2023.3330795