北京師范大學(xué)舒妮教授和南京航空航天大學(xué)黃偉杰副研究員在Cell子刊Cell Reports Medicine上發(fā)表了一篇關(guān)于AI賦能多模態(tài)成像在神經(jīng)精神疾病精準(zhǔn)醫(yī)療的綜述論文。

　　2.多模態(tài)神經(jīng)影像技術(shù)結(jié)合人工智能方法可早期發(fā)現(xiàn)神經(jīng)精神疾病并為其量身定制個(gè)性化治療方案。

　　4.然而，多模態(tài)神經(jīng)影像在精準(zhǔn)醫(yī)療中的應(yīng)用仍面臨數(shù)據(jù)可用性、數(shù)據(jù)異質(zhì)性和AI模型可解釋性等挑戰(zhàn)。

　　5.未來研究方向包括Transformer革命、動態(tài)監(jiān)測網(wǎng)絡(luò)和臨床落地閉環(huán)等，以推動基于多模態(tài)神經(jīng)影像的穩(wěn)健人工智能模型的發(fā)展。

　　神經(jīng)精神疾病具有復(fù)雜的病理機(jī)制、顯著的臨床異質(zhì)性以及漫長的臨床前期，這給早期診斷和精準(zhǔn)干預(yù)策略的制定帶來了挑戰(zhàn)。

　　隨著大規(guī)模多模態(tài)神經(jīng)影像數(shù)據(jù)集的發(fā)展以及人工智能（AI）算法的進(jìn)步，將多模態(tài)成像與 AI 技術(shù)相結(jié)合已成為早期發(fā)現(xiàn)神經(jīng)精神疾病以及為其量身定制個(gè)性化治療方案的關(guān)鍵途徑。

　　在這篇綜述中，作者概述了多模態(tài)神經(jīng)影像技術(shù)、人工智能方法以及多模態(tài)數(shù)據(jù)融合策略，強(qiáng)調(diào)了基于神經(jīng)影像數(shù)據(jù)的多模態(tài)人工智能在神經(jīng)精神疾病精準(zhǔn)醫(yī)療中的應(yīng)用，并探討了其在臨床應(yīng)用中的挑戰(zhàn)、新興解決方案以及未來的發(fā)展方向。

　　神經(jīng)精神疾病，例如阿爾茨海默病、自閉癥、抑郁癥等，如同一幅PG電子官方平臺入口復(fù)雜的拼圖：癥狀多樣、病因隱蔽，傳統(tǒng)診療方法常陷入“看不清全貌”的困境。近年，科學(xué)家們找到了一把新鑰匙——通過人工智能（AI）整合多模態(tài)神經(jīng)影像技術(shù)，讓精準(zhǔn)醫(yī)療在神經(jīng)疾病領(lǐng)域邁出革命性一步。

　　傳統(tǒng)的單一腦部檢查如同“盲人摸象”，而多模態(tài)影像技術(shù)能從結(jié)構(gòu)、功能、分子三個(gè)維度全面解碼大腦：

　　結(jié)構(gòu)影像（例如 MRI）：高清呈現(xiàn)腦組織體積、皮層厚度，發(fā)現(xiàn)萎縮或異常增生；

　　功能影像（例如 fMRI、腦電圖）：捕捉神經(jīng)元活動信號，繪制“腦網(wǎng)絡(luò)通信圖”；

　　分子影像（例如 PET）：追蹤淀粉樣蛋白等病理標(biāo)志物，提前 10-20 年預(yù)警阿爾茨海默病。

　　例如，自閉癥兒童在 2 歲出現(xiàn)行為異常前，磁共振成像（MRI）已能檢測到出生后的皮層過度生長，為早期干預(yù)爭取黃金時(shí)間。

　　早期融合（直接拼接數(shù)據(jù)）、中期融合（分層提取特征）、晚期融合（綜合決策），像智能拼圖師般整合不同影像信息。

　　在 ADNI 等大型數(shù)據(jù)庫中，多模態(tài) AI 模型將阿爾茨海默病早期診斷準(zhǔn)確率提升至 92.7%，比單模態(tài)提高 15% 以上。

　　結(jié)合磁共振成像（MRI）與正電子發(fā)射斷層掃描（PET），區(qū)分阿爾茨海默病與路易體癡呆的準(zhǔn)確率達(dá) 87%；融合腦電圖與功能影像，對癲癇發(fā)作預(yù)測準(zhǔn)確率超 98%。

　　通過腦結(jié)構(gòu)與功能網(wǎng)絡(luò)特征，AI 可預(yù)測抑郁癥藥物療效（準(zhǔn)確率89%），判斷認(rèn)知衰退速度，甚至估算“大年齡”評估疾病風(fēng)險(xiǎn)。

　　在 2000+ 例雙相情感障礙患者中，AI 發(fā)現(xiàn) 3 種亞型，為個(gè)性化治療指明方向。

　　神經(jīng)影像數(shù)據(jù)在精準(zhǔn)醫(yī)療中的多模態(tài)整合所固有的挑戰(zhàn)大致可分為三類：數(shù)據(jù)可用性、數(shù)據(jù)異質(zhì)性以及AI 模型的可解釋性。

　　當(dāng)考慮多模態(tài)神經(jīng)影像學(xué)時(shí)，這三個(gè)挑戰(zhàn)會顯得更為突出。在 AI 應(yīng)用于神經(jīng)影像學(xué)方面，還存在三個(gè)廣泛存在的挑戰(zhàn)：類別不平衡、算法偏差和數(shù)據(jù)隱私。這六類挑戰(zhàn)以及克服它們的潛在策略如下圖所示。

　　近年來，人工智能領(lǐng)域見證了深度學(xué)習(xí)技術(shù)在多模態(tài)特征融合方面的廣泛應(yīng)用?；谏疃葘W(xué)習(xí)的方法在跨各種應(yīng)用集成多模態(tài)數(shù)據(jù)方面已顯示出令人矚目的成果。

　　1、Transformer 革命：類 ChatGPT 的跨模態(tài)模型，或?qū)⒔y(tǒng)一處理影像、基因、臨床數(shù)據(jù)；

　　3、臨床落地閉環(huán)：開發(fā)輕量化模型，讓 AI 助手嵌入 MRI/PET 設(shè)備，快速PG電子官方平臺入口內(nèi)輸出輔助報(bào)告。

　　總體而言，現(xiàn)有的研究對臨床有效性和臨床可用性的考量不足。未來的研究應(yīng)當(dāng)將這些臨床概念結(jié)合起來，開發(fā)出能夠真正應(yīng)用于臨床實(shí)踐的人工智能模型。

　　在過去十年中，利用多模態(tài)神經(jīng)影像的人工智能方法在推進(jìn)神經(jīng)精神疾病精準(zhǔn)醫(yī)療方面取得了顯著進(jìn)展。研究一致表明，在各種診斷和預(yù)測任務(wù)中，結(jié)合多模態(tài)神經(jīng)影像數(shù)據(jù)的人工智能模型優(yōu)于單一模態(tài)的模型。盡管取得了這些進(jìn)展，但要從研究過渡到臨床應(yīng)用仍需克服若干挑戰(zhàn)。諸如人工智能系統(tǒng)的可解釋性、算法偏差和數(shù)據(jù)隱私等關(guān)鍵問題仍未得到充分探索，需要進(jìn)一步關(guān)注。此外，解決與數(shù)據(jù)可用性、數(shù)據(jù)異質(zhì)性和類別不平衡相關(guān)的問題對于推進(jìn)基于多模態(tài)神經(jīng)影像的穩(wěn)健人工智能模型的發(fā)展至關(guān)重要。盡管該領(lǐng)域仍在不斷發(fā)展，但由多模態(tài)神經(jīng)影像驅(qū)動的人工智能的潛力是毋庸置疑的。它作為神經(jīng)精神疾病精準(zhǔn)醫(yī)療未來的一個(gè)有前景的方向，為更高效、更精準(zhǔn)和更普遍可及的疾病檢測和治療策略提供了前景。