论文标题：

Integrating multimodal neuroimaging genetics and deep learning to predict Alzheimer’s disease: a systematic review

期刊：Molecular and Digital Medicine

作者：Jianping Qiao, Zhongchen Zhou, Zhibo Zhang, Huimin Yang, Wenjie Zhang, Jiande Sun

发表时间：23 May 2026

DOI：10.1016/j.mdmed.2026.100006

山东师范大学孙建德教授团队在Molecular and Digital Medicine（简称MDMED，ISSN 3117-7026）期刊发表题为“Integrating multimodal neuroimaging genetics and deep learning to predict Alzheimer’s disease: a systematic review”的系统综述文章。

原文链接：

https://www.sciencedirect.com/science/article/pii/S311770262600006X

引用格式：

Jianping Qiao, Zhongchen Zhou, Zhibo Zhang, Huimin Yang, Wenjie Zhang, Jiande Sun. Integrating multimodal neuroimaging genetics and deep learning to predict Alzheimer’s disease: a systematic review. Mol. Digit. Med. 2026;1(1): 100006. https://doi.org/10.1016/j.mdmed.2026.100006

扫码阅读：

研究亮点

1. 神经影像遗传学连接了脑结构改变与阿尔茨海默病遗传风险。

2. 多模态数据融合可改善阿尔茨海默病的诊断和预测。

3. 机器学习和深度学习能够捕捉基因与影像之间的交互关系。

4. 大规模队列有助于推动机制驱动的精准医学。

文章摘要

阿尔茨海默病（Alzheimer’s disease, AD）最令人担忧的一点，并不是它最终会造成记忆和认知功能下降，而是当这些症状被患者和家属明显感受到时，脑内病理改变往往已经持续多年。Aβ沉积、tau病理、脑萎缩、功能连接异常和代谢下降，可能早在临床痴呆出现前就已经逐步发生。

因此，AD诊疗真正需要解决的问题是：我们能否在记忆明显下降之前，更早识别那些正在走向疾病进展的人？这正是神经影像遗传学和人工智能进入AD研究的原因。

本文解读的系统综述“Integrating multimodal neuroimaging genetics and deep learning to predict Alzheimer’s disease”围绕这一问题展开。文章系统总结了如何将结构/功能MRI、DTI、PET等神经影像数据，与SNP、基因表达谱等遗传信息结合，并进一步借助机器学习和深度学习模型，用于AD早期诊断、预后预测和机制解析。

研究背景

AD通常不是突然发生的疾病，而是一个连续进展过程。文章将其概括为临床前阶段、轻度认知障碍（mild cognitive impairment, MCI）阶段和痴呆阶段。其中，MCI被认为是非常关键的窗口：患者已经出现认知下降，但日常功能仍相对保留，脑内病理改变可能仍具有一定可干预性。

传统临床诊断主要依赖认知症状和神经心理评估，但这种方式往往难以及时捕捉临床前或早期病理变化。换句话说，临床症状更多反映疾病的“结果”，而不是疾病启动和进展的早期过程。

神经影像为AD早期识别提供了重要工具。结构MRI可以显示海马、内嗅皮层和颞叶等区域萎缩；功能MRI可以检测默认模式网络等脑区功能连接改变；DTI可以评估白质纤维束完整性；PET则可显示Aβ沉积、tau病理或脑葡萄糖代谢下降。不同影像模态对应不同病理层面，因此单一影像往往只能反映疾病的一部分。

另一方面，AD也具有复杂的遗传基础。早发家族性AD与APP、PSEN1、PSEN2等高外显率致病基因有关；晚发散发性AD中，APOE ε4是最重要的遗传风险因素。此外，TREM2、BIN1、CLU、ABCA7、SORL1等风险位点提示AD并不只是Aβ/tau通路异常，还涉及免疫、脂质代谢、内吞转运、突触功能等多条生物学通路。

因此，单独看影像只能看到“大脑哪里变了”，单独看基因只能提示“谁可能更容易发病”。神经影像遗传学的价值就在于把两者连接起来：遗传数据提供疾病易感性线索，影像数据提供脑内结构、功能和分子病理表型，两者整合有助于解释遗传风险如何塑造大脑病理改变，并最终影响临床进展。

这也是本文的研究背景和理论基础：AD早诊需要从症状判断走向多维度风险建模，从单一标志物走向影像、遗传和人工智能共同参与的机制驱动型精准预测。

多模态数据的预处理流程

这一部分主要介绍了本文所涉及的多模态数据来源及其预处理流程，为后续的基因—影像融合分析奠定基础。作者首先梳理了AD研究中常用的神经影像模态：结构MRI主要用于评估脑萎缩、海马体积和皮层厚度等形态学改变；功能MRI可反映脑区之间的功能连接异常，尤其是默认模式网络的早期受损；DTI用于刻画白质纤维束完整性和脑网络连接状态；PET则可进一步观察Aβ沉积、tau病理分布以及脑葡萄糖代谢下降等分子层面的病理变化。随后，文章介绍了遗传数据的处理方式，包括SNP数据质控、APOE等关键风险基因检测、多基因风险评分计算，以及基因表达数据的标准化、批次效应校正和差异表达分析。

此外，作者还提到Allen Human Brain Atlas等公共脑图谱资源，可用于探索基因表达空间分布与AD影像学异常区域之间的联系。总体来看，本节强调，AD的智能诊断并不是简单地把不同数据“放在一起”，而是需要在严格预处理和标准化基础上，将结构、功能、分子影像与遗传信息转化为可用于机器学习和深度学习建模的高质量特征，从而为后续疾病诊断、分期和进展预测提供可靠的数据基础。

综合方法学框架用于多模态整合的机器学习和深度学习方法

作者首先从相关性分析入手，说明传统神经影像研究通常可分为两类：一类是基于先验脑区的假设驱动分析，例如比较海马体积、内嗅皮层厚度或默认模式网络连接强度；另一类是全脑范围的数据驱动分析，例如体素形态学分析和皮层表面形态学分析，用于发现AD患者与对照人群之间的脑结构差异。与此同时，遗传关联分析则通过逻辑回归或线性回归等方法，评估SNP、APOE ε4状态或其他遗传变异与疾病状态、脑区体积、皮层厚度及认知评分之间的关系。

随后，文章进一步总结了传统机器学习在多模态融合中的应用，包括特征提取、降维、特征融合以及分类或回归建模，常用方法包括支持向量机、随机森林、XGBoost和逻辑回归等。这类方法能够整合影像和遗传信息，提高AD诊断与预测能力，但对人工特征设计依赖较强，且难以充分捕捉复杂的非线性交互关系。基于这一局限，作者重点介绍了深度学习在基因—影像融合中的优势，尤其是双分支编码网络：影像分支可通过卷积神经网络或图神经网络提取空间和网络拓扑特征，遗传分支则通过全连接网络处理SNP、多基因风险评分或基因表达特征，随后通过特征层融合、决策层融合或注意力机制实现跨模态整合。

总体来看，本节强调，AD的基因—影像分析正在从单一相关性检验和传统机器学习，逐步走向能够自动学习复杂跨模态关系的深度学习框架；但模型的稳健性、可解释性、小样本过拟合以及合并症干扰，仍是未来临床转化需要重点解决的问题。

研究总结与未来研究方向

作者进一步指出了当前AD神经影像遗传学研究从“方法可行”走向“临床可用”仍需解决的关键问题。首先，现有研究多依赖横断面数据或小规模纵向数据，难以完整捕捉AD从临床前阶段、MCI到痴呆阶段的动态演变，因此未来需要建立大规模、深度表型化的纵向队列，用于训练更稳健、更具泛化能力的机器学习和深度学习模型。其次，真实临床人群中常伴随脑小血管病、脑梗死、低灌注、帕金森病、血管性痴呆、糖尿病和高血压等合并症，这些因素会造成脑萎缩、白质高信号和代谢下降等与AD相似的影像改变，从而干扰模型判断，因此作者强调需要发展能够区分AD特异性信号与合并症干扰的模型。此外，AD本身具有高度异质性，不同患者在遗传易感性、影像病理、临床症状和进展速度上存在明显差异，但目前关于AD亚型识别的模型仍然有限。

基于这些问题，文章认为，单一影像或单一遗传分析虽然为核心生物标志物验证奠定了基础，但难以解释基因风险与脑病理改变之间复杂、动态的相互作用；相比之下，多模态融合，尤其是结合双分支网络、注意力机制、解耦表征学习和生成式模型的深度学习框架，有望提升AD早期诊断、进展预测、亚型识别和机制解析能力。未来研究还应进一步整合单细胞转录组、蛋白质组和代谢组等新兴数据类型，并在不同种族、遗传背景和地理人群中进行验证，从而推动AD研究从关联性观察走向机制驱动、早期预警和个体化管理。

作者介绍

期刊信息 欢迎投稿

Molecular and Digital Medicine《分子与数字医学（英文）》（简称MDMED，ISSN 3117-7026）是由山东大学主办，山东大学科技期刊社与科爱（KeAi）公司合作出版的全英文学术期刊。

期刊发文范围包括但不限于肿瘤诊断与数字健康整合、分子医学与人工智能数字健康技术、分子与数字技术的融合、临床应用与转化医学、基因组学和大数据等相关领域。

期刊采用连续出版模式、开放获取，文章出版费及英文润色限时免费（2026—2028）。

期刊官网：https://www.keaipublishing.com/en/journals/molecular-and-digital-medicine/

ScienceDirect平台：https://www.sciencedirect.com/journal/molecular-and-digital-medicine/

编辑部邮箱：mdmedicine@sdu.edu.cn

微信公众号：MD-Medicine