阿尔茨海默病的早期识别，长期以来都是临床医生面临的重大挑战。通常，当患者出现显著记忆力减退、行为异常等症状时，大脑的损伤往往已难以逆转。不过，一项发表于11月6日《放射学》期刊的前沿研究带来了新的希望：研究团队利用超过1000名患者的脑部影像数据，训练出一种深度学习算法，能够在医生正式确诊阿尔茨海默病之前的六年，便精准预测出该疾病的存在。

来自加利福尼亚大学旧金山分校的资深作者本杰明·弗朗克（Benjamin L. Franc）博士及其同事在论文中指出：全球医学界普遍认识到，早期诊断对阿尔茨海默病患者的预后至关重要，但长期以来，临床上几乎缺乏能够提前发现疾病的有效手段。转折点出现在过去十年——人工智能技术迅速崛起，尤其在处理海量成像数据方面表现出色，只需点击一下按钮，就能完成以往需要专家耗费大量时间才能实现的分析。

弗朗克等人强调：“深度学习在应对成像数据日益增长的复杂性和数据量方面潜力巨大，同时也有助于弥补放射科医生专业水平参差不齐的不足。”此前，AI已成功应用于乳腺癌检测（钼靶）、肺结节筛查（CT）、髋部骨关节炎分类（X光）等场景，但将机器学习应用于大脑功能性PET成像这种复杂模式，仍处于起步阶段。

此次，加州大学旧金山分校团队与伯克利分校的研究人员携手，训练出一种AI算法。他们从阿尔茨海默病神经成像计划（2005年至2017年间）中，提取了共计2109次独立的氟18-氟脱氧葡萄糖（F-FDG）PET扫描数据作为数据库。其中90%用于训练算法，剩余10%用于测试。更关键的是，他们还使用了一个独立的验证集——40位从未被算法“见过”的患者的F-FDG PET检查结果。结果令人瞩目：在医生最终确诊阿尔茨海默病之前，平均6.3年（75.8个月），该算法便给出了预测——特异性达到82%，敏感性高达100%。

换言之，所有最终确诊的患者，算法全部提前识别了出来（敏感性100%），仅有少数被误判（特异性82%）。此外，在接收者操作特征（ROC）曲线上，该算法的表现显著优于三位放射科医生阅读器。弗朗克团队写道：“通过更大、更多样化的数据集进一步验证，这套算法有望提升放射科医生的诊断水平，并改善对阿尔茨海默病早期预测的准确性，从而为早期干预创造机遇。”

研究小组表示，这一成果的重要意义在于——它有可能在患者出现任何明显症状之前，就捕捉到大脑中阿尔茨海默病的早期信号，避免等到大脑容量已大幅萎缩、干预手段几乎失效时才被发现。接下来，他们计划训练深度学习算法去识别阿尔茨海默病的其他特征性生物标志物，比如β-淀粉样蛋白和tau蛋白的异常沉积——这些蛋白团块和神经纤维缠结，正是阿尔茨海默病的典型病理特征。

目前，弗朗克及其同事认为，他们的新方法可以与其他生化检测和影像学检查相结合，帮助医生对阿尔茨海默病患者在更早阶段实施治疗干预。他们总结道：“随着多机构数据验证和模型校准的进一步推进，这套算法有望整合到临床工作流程中，成为放射科医生和临床医生从F-FDG PET影像中早期预测阿尔茨海默病的重要决策支持工具。”