袁振：基于多模态MRI和AI的认知老化智慧诊断 | 【脑客中国·科研】第217位讲者

认知老化相关神经退行性疾病的早期诊断与干预，是当下脑科学领域的研究热点。近日，澳门大学健康科学学院袁振教授做客脑客中国科研直播间，以“基于多模态MRI和AI的认知老化智慧诊断”为主题，分享了团队在额颞叶痴呆分型、帕金森病前驱期鉴别及阿尔茨海默症早期诊断中的最新研究成果，为认知老化相关疾病的精准诊疗提供了前沿思路与技术路径。

报告开篇，袁振教授指出，认知老化分为正常与病理性两类，其中阿尔茨海默症（AD）和帕金森氏症（PD）是发病率最高的神经退行性疾病，不仅给患者和家庭带来沉重负担，也造成巨大的社会医疗开支。AD以记忆障碍为核心，我国65岁以上人群发病率约3-5%，轻度认知障碍（MCI）患病率达20.8%；PD发病率居第二位，且隐匿性强、死亡率高，早期诊断与有效干预是减少和延缓二者发生发展的关键。而多模态MRI结合AI技术，能从微观基因到宏观认知行为的跨尺度、多模态、多组学角度构建AD综合疾病模型，遴选生物标志物，为认知老化疾病的精准诊疗提供解决方案。

在额颞叶痴呆（FTD）的研究中，针对其亚型难以区分的问题，袁教授团队提出基于模块化架构的脑网络分析方法。研究将大脑静息态功能网络划分为8个模块，定义模块隔离指数和参与系数作为核心指标，发现行为变异型、语义变异型FTD在默认网络、腹侧注意网络等区域的模块隔离指数显著降低，反映出网络连接强度受损。基于这些指标结合临床数据构建的机器学习模型，能将FTD三个亚型（行为变异、语义变异、非流利性失语）及健康对照精准区分，分型精度达85%以上，且左侧额叶、眶额皮质等特定脑区的模块指数为FTD个体化诊断提供了关键依据。

针对帕金森病前驱期诊断难题，团队通过融合多模态MRI数据构建放射组学参数，实现了健康对照、PD患者及前驱期PD患者的有效区分，并进一步将前驱期PD划分为“趋向健康”（N-P）和“趋向帕金森”（P-P）两个亚型，其中P-P亚型已表现出脑图谱和灰质体积的明显异常。基因测序发现，PLS1等基因突变与灰质体积变化、神经递质、神经传导密切相关，且这类基因与癫痫存在强关联，这一发现为PD干预提供了新思路——尝试将抗癫痫药物用于前驱期PD的早期干预。此外，该放射组学参数与α-突触蛋白、快速眼动睡眠障碍等生理指标高度相关，区分PD患者与健康对照的准确率达90%以上，验证了其可靠性。

在阿尔茨海默症的个体化诊断研究中，袁教授团队强调了基因分型与个体化脑图谱的双重重要性。研究发现，APOE4+与APOE4-的AD患者受损脑区存在显著差异：阳性患者主要累及海马区等边缘网络，阴性患者则以额叶、顶叶空间识别等为主。若不进行基因分型，机器学习模型无法有效区分MCI与正常认知老化；而基于APOE4+和APOE4-基因分型建立的个体化脑功能图谱模型，在AD早期诊断中展现出远高于传统群体水平分析的准确性，尤其对APOE阳性患者，仅个体化脑图谱能实现具有统计学意义的精准诊断。

同时，团队揭示了脑脊液（CSF）-血氧水平依赖（BOLD）信号的反向耦合机制，并将其作为AD早期诊断的新型生物标志物。该耦合关系是大脑的“代谢摆动”，负责清除Aβ蛋白等代谢物，睡眠状态下耦合最强、代谢清除效率最高，清醒时虽仍为负相关，但相关性显著减弱。研究发现，AD和MCI患者在颞叶、扣带回等区域的该耦合作用显著减弱，且铁沉积（QSM检测）在AD患者颞叶、皮层下区域，MCI患者皮层下区域均出现异常，扣带回、杏仁核等脑区的耦合异常还与患者情绪障碍相关，为AD超早期识别提供了新靶点。

本次报告中，袁振教授团队的研究成果，将多模态MRI技术与AI算法深度融合，从脑网络分析、放射组学、个体化脑图谱、脑脊液耦合机制等多个维度，为认知老化相关疾病的早期诊断、分型及干预提供了一系列创新方法和生物标志物，也为后续神经退行性疾病的精准诊疗研究奠定了重要基础，为临床转化应用开辟了新的方向。

扫描二维码

观看完整视频