認知老化相關神經退行性疾病的早期診斷與干預，是當下腦科學領域的研究熱點。近日，澳門大學健康科學學院袁振教授做客腦客中國科研直播間，以“基于多模態MRI和AI的認知老化智慧診斷”為主題，分享了團隊在額顳葉癡呆分型、帕金森病前驅期鑒別及阿爾茨海默癥早期診斷中的最新研究成果，為認知老化相關疾病的精準診療提供了前沿思路與技術路徑。

報告開篇，袁振教授指出，認知老化分為正常與病理性兩類，其中阿爾茨海默癥（AD）和帕金森氏癥（PD）是發病率最高的神經退行性疾病，不僅給患者和家庭帶來沉重負擔，也造成巨大的社會醫療開支。AD以記憶障礙為核心，我國65歲以上人群發病率約3-5%，輕度認知障礙（MCI）患病率達20.8%；PD發病率居第二位，且隱匿性強、死亡率高，早期診斷與有效干預是減少和延緩二者發生發展的關鍵。而多模態MRI結合AI技術，能從微觀基因到宏觀認知行為的跨尺度、多模態、多組學角度構建AD綜合疾病模型，遴選生物標志物，為認知老化疾病的精準診療提供解決方案。

在額顳葉癡呆（FTD）的研究中，針對其亞型難以區分的問題，袁教授團隊提出基于模塊化架構的腦網絡分析方法。研究將大腦靜息態功能網絡劃分為8個模塊，定義模塊隔離指數和參與系數作為核心指標，發現行為變異型、語義變異型FTD在默認網絡、腹側注意網絡等區域的模塊隔離指數顯著降低，反映出網絡連接強度受損。基于這些指標結合臨床數據構建的機器學習模型，能將FTD三個亞型（行為變異、語義變異、非流利性失語）及健康對照精準區分，分型精度達85%以上，且左側額葉、眶額皮質等特定腦區的模塊指數為FTD個體化診斷提供了關鍵依據。

針對帕金森病前驅期診斷難題，團隊通過融合多模態MRI數據構建放射組學參數，實現了健康對照、PD患者及前驅期PD患者的有效區分，并進一步將前驅期PD劃分為“趨向健康”（N-P）和“趨向帕金森”（P-P）兩個亞型，其中P-P亞型已表現出腦圖譜和灰質體積的明顯異常。基因測序發現，PLS1等基因突變與灰質體積變化、神經遞質、神經傳導密切相關，且這類基因與癲癇存在強關聯，這一發現為PD干預提供了新思路——嘗試將抗癲癇藥物用于前驅期PD的早期干預。此外，該放射組學參數與α-突觸蛋白、快速眼動睡眠障礙等生理指標高度相關，區分PD患者與健康對照的準確率達90%以上，驗證了其可靠性。

在阿爾茨海默癥的個體化診斷研究中，袁教授團隊強調了基因分型與個體化腦圖譜的雙重重要性。研究發現，APOE4+與APOE4-的AD患者受損腦區存在顯著差異：陽性患者主要累及海馬區等邊緣網絡，陰性患者則以額葉、頂葉空間識別等為主。若不進行基因分型，機器學習模型無法有效區分MCI與正常認知老化；而基于APOE4+和APOE4-基因分型建立的個體化腦功能圖譜模型，在AD早期診斷中展現出遠高于傳統群體水平分析的準確性，尤其對APOE陽性患者，僅個體化腦圖譜能實現具有統計學意義的精準診斷。

同時，團隊揭示了腦脊液（CSF）-血氧水平依賴（BOLD）信號的反向耦合機制，并將其作為AD早期診斷的新型生物標志物。該耦合關系是大腦的“代謝擺動”，負責清除Aβ蛋白等代謝物，睡眠狀態下耦合最強、代謝清除效率最高，清醒時雖仍為負相關，但相關性顯著減弱。研究發現，AD和MCI患者在顳葉、扣帶回等區域的該耦合作用顯著減弱，且鐵沉積（QSM檢測）在AD患者顳葉、皮層下區域，MCI患者皮層下區域均出現異常，扣帶回、杏仁核等腦區的耦合異常還與患者情緒障礙相關，為AD超早期識別提供了新靶點。

本次報告中，袁振教授團隊的研究成果，將多模態MRI技術與AI算法深度融合，從腦網絡分析、放射組學、個體化腦圖譜、腦脊液耦合機制等多個維度，為認知老化相關疾病的早期診斷、分型及干預提供了一系列創新方法和生物標志物，也為后續神經退行性疾病的精準診療研究奠定了重要基礎，為臨床轉化應用開辟了新的方向。

掃描二維碼

觀看完整視頻