综述：利用人工智能进行阿尔茨海默病诊断的磁共振成像分析：方法、挑战与机遇

《Ageing Research Reviews》：Magnetic Resonance Imaging Analysis for Alzheimer’s Disease Diagnosis using Artificial Intelligence: Methods, Challenges, and Opportunities

　　阿尔茨海默病（AD）是痴呆最常见病因，AI尤其是深度学习在MRI数据分析中显著提升AD诊断准确性，自动化分析克服传统方法主观性、耗时及依赖专家的问题，但存在数据规模不足、模型泛化能力弱等挑战，未来需结合多模态数据与可解释性AI优化临床应用。

　　

企业名称|团队负责人|作者姓名|作者姓名|作者姓名|作者姓名

黑龙江中医药大学，哈尔滨 150040，中国

摘要

阿尔茨海默病（AD）是导致痴呆最常见的原因，影响着全球数百万人。早期和准确的AD诊断对于及时干预和疾病管理至关重要。磁共振成像（MRI）是一种广泛使用的非侵入性技术，用于评估AD患者的脑结构和功能。然而，传统的MRI分析方法往往具有主观性、耗时，并且依赖于专家知识。人工智能（AI），特别是深度学习（DL），已成为从大量复杂的MRI数据中提取有意义信息的强大工具，能够提供自动化和可靠的AD诊断。在这篇综述中，我们总结了AI在AD诊断方面的最新进展和挑战，重点关注以下方面：（1）用于AD诊断的MRI数据类型和特征；（2）应用于MRI数据分析的主要AI模型和架构；（3）AI模型在AD诊断中的性能和评估指标；（4）AI模型在临床实践中的潜在应用和局限性；（5）AI在AD诊断方面的未来研究方向。本综述旨在提供该领域的全面和最新概述，并促进AI辅助MRI在AD诊断方面的进一步研究和进展。

引言

阿尔茨海默病（AD）是一种不可逆的进行性脑部疾病，逐渐损害记忆、认知能力和执行基本任务的能力，常常导致老年人出现痴呆症状。据估计，到2050年，全球患有痴呆症的人数将达到1.5亿（Vellani, 2019）。目前，全球老年人群中AD及相关痴呆症的发病率为6.04%（Ding et al., 2022）。2023年，中国AD病例显著增加，过去二十年增长了2.5倍，导致约492,774人死亡，占全球AD相关死亡人数的25.2%（Pauwels and Boer, 2023）。

AD的特点是脑部萎缩和神经元逐渐死亡，导致认知能力下降、行为改变和记忆力丧失。此外，由于其长期和复杂的性质，目前尚无已被证实能够阻止或逆转疾病进展的疗法（Pauwels and Boer, 2023）。大多数患者的预后包括不同程度的记忆障碍、语言困难和空间定向问题，这些都会显著影响他们的生活质量（Shanmugavadivel et al., 2023）。世界卫生组织的全球疾病负担数据反映了AD发病率、患病率和死亡率的上升趋势（Li et al., 2022）。AD的进展因个体而异，症状会随时间恶化，如果没有有效的干预措施，死亡率会增加。鉴于这些趋势，及时和准确的AD诊断至关重要。早期发现和分类可以导致个性化治疗、减缓疾病进展并提高患者的生活质量（Barnett et al., 2014, Tiele et al., 2020）。磁共振成像（MRI）是一种广泛用于AD诊断的工具，因为它可以检测到特定区域的脑部异常，如萎缩、白质损伤以及代谢和网络功能障碍（Khalilullah et al., 2023, Odusami et al., 2023）。尽管传统MRI提供了有价值的诊断信息，但由于症状的微妙和复杂性，在检测早期AD方面存在局限性（Chouliaras and O’Brien, 2023, Qiu et al., 2020）。其他挑战包括需要高度训练的人员、较低的时间分辨率以及缺乏标准化的诊断协议（Yue et al., 2023）。

这些局限性促使人们开发出模仿人类认知能力的人工智能（AI）技术来分析复杂数据。特别是机器学习（ML）和深度学习（DL），通过检测人类专家可能遗漏的细微异常，彻底改变了神经影像数据（如MRI）的分析方式（Lew et al., 2023）。利用DL和纹理分析等方法的人工智能辅助MRI分析在提高诊断准确性方面显示出潜力（Hwang et al., 2023）。随着基于AI的AD诊断研究的不断增加，本综述旨在介绍AI的概念，并强调特征提取和预处理在基于MRI的神经影像分析中的重要性。它突出了当前在改善AD诊断和治疗策略方面的进展、挑战和未来方向。

部分摘录

用于AD诊断的MRI数据类型

可靠的AD诊断应基于多种神经影像技术，如结构磁共振成像（sMRI）、功能性磁共振成像（fMRI）（Wu et al., 2023）、扩散张量成像（DTI）、磁共振光谱（MRS）和正电子发射断层扫描/MRI（PET/MRI）（McKiernan et al., 2023, Wang et al., 2020）（表1）。此外，现有的DL模型已应用于这些不同成像模式的AD检测。

在这些模式中，sMRI是最常用的

用于MRI数据分析的AI模型

在过去十年中，AI在MRI数据分析中的应用在AD诊断方面取得了显著进展。在AI技术中，DL模型因其能够自动从高维数据中学习和提取复杂模式而脱颖而出，特别适合神经影像任务。在接下来的部分，我们将探讨用于AD诊断的各种AI模型，包括它们的架构、优势、挑战等

结论

本综述的主要发现强调了各种AI方法（如ML和DL）在分析MRI数据以进行AD诊断中的应用。这些方法侧重于特征提取、分类和疾病进展预测，显著提高了诊断准确性，促进了早期发现，并实现了大型MRI数据集的自动化分析。这一进展有助于制定个性化治疗计划；然而，仍存在一些挑战，包括需要大量数据等

未引用的参考文献

(Azevedo et al., 2023, Huang et al., 2019, Ouyang et al., 2020, Wang et al., 2021, Chen et al., 2022, Cui and Liu, 2019, Li and Liu, 2019, Tang et al., 2024)

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系，这些关系可能会影响“使用人工智能进行阿尔茨海默病诊断的磁共振成像分析：方法、挑战和机遇”一文中的工作

致谢

无