随着人口老龄化加速，脑小血管病导致的认知障碍已成为影响老年群体生活质量的重要疾病之一。然而，由于传统诊断高度依赖神经心理量表评估和临床经验判断，存在耗时长、主观性强等问题，如何实现认知障碍的早期识别与精准评估，成为神经科学领域的重要研究方向。

近日，温州医科大学老年研究院宋伟宏院士团队联合首都医科大学宣武医院唐毅、秦琪，首都医科大学生物医学工程学院李春林团队在国际知名期刊《Cyborg and Bionic Systems》上发表题为“Deep Learning for Classifying and Cognitive Profiling of Subcortical Vascular Cognitive Impairment”的研究论文。研究团队成功构建了一种基于深度学习的智能模型，能够仅凭单模态脑影像数据，不仅初步实现了高精度诊断皮质下血管性认知障碍（SVCI），还能为每位患者绘制独特的“多领域认知风险图谱”，标志着AI在神经系统疾病精准医疗领域迈出了关键一步。

破解传统诊断难题

皮质下血管性认知障碍是由脑小血管病变引发的重要认知障碍类型，其早期症状隐匿，诊断过程通常需要结合脑部影像、临床症状以及多项神经心理学测试综合判断。研究团队介绍，目前临床广泛应用的MMSE、MoCA等认知评估量表往往需要较长测试时间，且结果容易受到患者配合程度、文化背景及评估人员经验等因素影响。在基层医疗机构和老龄患者群体中，完整开展相关评估存在现实困难。为解决这一问题，研究团队尝试利用人工智能直接从脑影像中提取疾病特征，希望构建一种更加客观、高效的辅助诊断工具。

双轮驱动的智能诊断引擎

本研究的技术创新主要体现在人工智能前沿技术的融合应用上：

深度特征提取器——DenseNet模型：研究摒弃了传统机器学习中依赖人工设计特征的局限，采用DenseNet卷积神经网络。该模型能像人脑一样，自动从原始的“扩散张量成像”（DTI）数据中，分层学习和提取与SVCI相关的脑白质微观结构损伤模式。DTI技术能敏感地捕捉到常规MRI无法显示的神经纤维束细微变化，为模型提供了关键信息源。研究结果显示，在内部测试数据集上，该模型最高识别准确率达到90.2%，曲线下面积（AUC）达到0.962；在独立外部验证数据集上，模型准确率达到92.6%，AUC达到0.942，表现出良好的稳定性和泛化能力。研究团队表示，这意味着人工智能能够仅依靠脑影像信息，对患者是否已经发展为认知障碍进行较为准确的判断，为疾病早期筛查提供新的技术手段。

消除数据壁垒的“稳定器”——无监督域适应（UDA）：医学人工智能模型长期面临一个现实挑战：在一家医院训练出的模型，往往难以直接应用于另一家医院的数据。针对这一问题，研究团队创新性地引入了无监督域适配（Unsupervised Domain Adaptation，UDA）技术，通过构建领域对抗神经网络（DANN），使模型能够学习不同医疗机构之间共享的疾病特征，从而降低设备、扫描参数和人群差异带来的影响。研究结果表明，引入UDA技术后，模型在外部数据集上的整体性能进一步提升，显示出较强的跨中心推广潜力。业内专家认为，这一技术突破有望解决当前医学人工智能“实验室效果好、临床落地难”的普遍问题，为未来多中心推广应用奠定基础。

推动脑疾病诊疗向精准医学迈进

此项研究成果为SVCI的临床诊疗与机制研究带来了多重变革：

提供客观、高效的辅助诊断工具：SVCI的传统诊断严重依赖耗时冗长、易受主观影响的神经心理评估。该AI模型提供了一种快速、客观的影像学定量分析方案，尤其适用于基层医疗机构或难以配合完成复杂测试的老年患者，有助于早期筛查和诊断。

开启“精准干预”的新范式：研究首次在SVCI中大规模实现了基于影像的个体化认知领域风险分层。这提示SVCI具有高度的异质性，不同患者的主要认知损伤领域各不相同。临床医生可据此制定更具针对性的康复训练计划或药物干预策略，实现“同病异治”的精准医疗理念。

推动脑疾病AI研究向纵深发展：该研究成功示范了如何将深度学习与临床量表深度耦合，从单纯的疾病分类迈向对疾病内部异质性的精细刻画。这套“诊断+profiling”的技术框架，为阿尔茨海默病、帕金森病等其它复杂脑疾病的机制研究与临床评估提供了可复制、可推广的新范式。

下一步，研究团队计划开展更大规模、多中心的前瞻性临床验证，并探索将该模型与更多模态数据（如血液生物标志物）融合，以进一步优化预测效能，推动其向临床常规应用的转化。

论文原文链接：

http://doi.org/10.34133/cbsystems.0561

（转载自瓯江实验室微信公众号）