人工智能驱动的多模态影像融合在神经精神疾病精准医学中的应用综述

作者及发表信息
本文由Weijie Huang（南京航空航天大学人工智能学院）和Ni Shu（北京师范大学认知神经科学与学习国家重点实验室）共同撰写，发表于*Cell Reports Medicine*期刊2025年5月刊，是一篇开放获取的综述文章（DOI: 10.1016/j.xcrm.2025.102132）。

主题与背景
神经精神疾病（如阿尔茨海默病、自闭症谱系障碍等）具有病理机制复杂、临床异质性高、临床前潜伏期长等特点，传统诊疗方法面临早期诊断和个体化干预的挑战。随着多模态神经影像技术（如结构磁共振成像sMRI、功能磁共振成像fMRI、正电子发射断层扫描PET等）和人工智能（AI）算法的发展，结合多模态影像与AI技术成为解决上述问题的关键路径。本文系统综述了多模态影像技术、AI算法及融合策略，重点探讨其在神经精神疾病精准医学中的应用现状、临床转化挑战及未来方向。

主要观点与论据

1. 多模态神经影像技术的互补价值
- 结构影像（如T1加权MRI）提供脑解剖细节，支持灰质体积、皮质厚度等形态学分析，可用于检测萎缩或异常生长模式（如自闭症儿童的皮质过度增长）。
- 功能影像（如fMRI、近红外光谱fNIRS）通过血氧水平依赖信号或血流动力学反应映射脑功能活动，揭示功能连接网络异常。
- 分子影像（如PET）通过放射性示踪剂标记淀粉样蛋白、tau蛋白等病理标志物，实现阿尔茨海默病等疾病的超早期诊断。
- 证据支持：大型队列研究（如ADNI、UK Biobank）表明，多模态数据融合可提高疾病分期和疗效评估的准确性。例如，PET与sMRI联合可预测阿尔茨海默病的tau蛋白累积速率（r=0.41-0.67）。

2. AI算法的分类与多模态融合策略
- 算法类型：监督学习（如支持向量机SVM、图神经网络GNN）用于疾病分类；无监督学习（如聚类）用于患者分型；强化学习在个性化治疗中具潜力。
- 融合方法：
- 早期融合：直接合并多模态原始数据，可能忽略模态特异性。
- 中间融合（如注意力机制）：分别提取模态特征后联合优化，在阿尔茨海默病诊断中准确率达96.7%（Zhang et al.）。
- 晚期融合：独立预测后整合结果，适用于临床工作流。
- 证据支持：一项系统性综述显示，仅20%的痴呆研究采用多模态数据，但此类模型在区分精神分裂症与对照组时准确率提升至91.57%（Zhao et al.）。

3. 临床应用场景与挑战
- 诊断模型：多模态AI在阿尔茨海默病、抑郁症等疾病中表现优于单模态模型。例如，结合海马体积与功能连接的模型对轻度认知障碍（MCI）的分类AUC达0.86（Feng et al.）。
- 预后预测：纵向多模态数据可预测MCI向阿尔茨海默病的转化（准确率75.5%），或抗抑郁治疗反应（准确率89.47%）。
- 患者分型：基于影像的生物标志物可将患者分为不同亚型，如焦虑障碍的三种神经解剖亚型（Ge et al.）。
- 挑战：数据稀缺性（如罕见病样本）、模态异质性（如fMRI与sMRI维度差异）、算法可解释性不足（如黑箱模型决策逻辑不透明）。

4. 未来研究方向
- 技术创新：Transformer架构有望解决多模态数据的高维性问题；生成式AI（如扩散模型）可合成逼真影像以扩充数据集。
- 临床转化：需推进前瞻性验证（如真实世界性能测试）并优化临床可用性（如缩短扫描时间）。
- 伦理与公平性：需解决算法偏见（如人群代表性不足）和数据隐私问题（如联邦学习与差分隐私的应用）。

意义与价值
本文首次全面梳理了多模态AI在神经精神疾病中的全链条应用（诊断-预后-分型），并提出六大挑战的解决方案框架（图3）。其科学价值在于：
1. 为跨模态生物标志物开发提供方法论指导；
2. 推动AI模型从实验室向临床的转化，例如通过“诊断导向的图像合成”提升小样本场景下的模型泛化性；
3. 倡导建立标准化评估流程（如多中心外部验证），以加速精准医学落地。

亮点
- 跨学科整合：将脑连接组学（connectomics）与深度学习结合，提出“动态图神经网络”等新型融合算法。
- 临床导向：强调模型设计需匹配临床工作流（如分阶段数据输入），并列举了11种疾病的代表性研究（表1）。
- 前沿展望：指出基础模型（Foundation Models）在零样本（zero-shot）诊断中的潜力，为下一代研究指明方向。