马普所等研发 AI 模型：通过 MRI 精准识别罕见痴呆症

40 岁那年，一位做销售的男士发现自己有些不对劲。

他开始想不起一些平时不太常用的词，比如「鳍」或者「填充物」；认识的朋友和同事的名字也经常卡壳。妻子发现他很难专心听人讲话，下班了脑子也停不下来。去医院检查，核磁共振（MRI）显示他的大脑颞叶部位出现了萎缩。他确实有记忆问题，甚至分不清长颈鹿到底长着毛皮还是鳞片，但他这么年轻，难道真的是阿尔茨海默病？

最终的诊断并不是阿尔茨海默，而是一种罕见的痴呆类型：原发性进行性失语症的语义变异型。德国马克斯·普朗克人类认知与脑科学研究所（MPI CBS）和莱比锡大学医学中心的研究团队，正试图用机器学习来解决这类让医生头疼的难题。

揪出那些容易被误诊的罕见病

大多数人提到痴呆，第一反应就是阿尔茨海默病和记忆力衰退。但在临床上，还有很多往往在年轻时就发病的罕见痴呆病症，它们可能表现为语言障碍、性格大变或者运动功能异常。

这些罕见病通常被称为「孤儿病」，诊断非常棘手。很多患者辗转多年，最后往往被草草归类为普通的阿尔茨海默病，从而错过了最佳干预时机。

研究团队联合德国额颞叶变性研究联盟的多家中心，收集了 426 名患者和 51 名健康对照者的 T1 加权核磁共振脑部数据。这批患者涵盖了多种复杂病症，包括行为变异型额颞叶痴呆、阿尔茨海默病、原发性进行性失语症的三种亚型（语义型、少词型、非流利语法缺失型），以及进行性核上性麻痹和皮质基底节综合征等非典型帕金森综合征。

让算法在七种病症中做选择题

研究人员采用基于图谱的体积测量法，提取大脑各区域的萎缩模式，并使用支持向量机（SVM）进行分类训练。

第一步是二分类测试，也就是把每种病症的患者与健康人区分开来。模型在这项任务上的预测准确率达到了 71% 至 95%，其关注的特征精准对应了各类疾病特有的大脑萎缩区域。

更难的是第二步多分类测试：让算法同时在七种不同的痴呆病症之间做区分。以往的类似研究大多停留在「看这人是不是生病了」，而这项研究让模型判断「他具体生了哪种病」。

结果显示，该多综合征模型的准确率达到了随机水平的三倍以上。不过研究团队也坦承，模型的表现距离 100% 还有相当长的路要走，而且不同病症之间的识别率并不均匀。那些大脑区域性萎缩特征非常鲜明的病症，算法识别起来明显更准。研究还发现，虽然病情越严重、病程越长，患者越容易被算法从健康人中挑出来，但要在两种不同的痴呆病之间做区分，往往只在疾病特定的严重程度和时间窗口内最有效。

在上述案例中，那位销售员确诊后接受了针对性的强化治疗，成功补偿了语言功能受损带来的影响。在确诊八年后，他依然能够正常工作。

为什么重要

普通大众往往容易把认知障碍简单等同于老年人的健忘，但事实并非如此残酷且单调。许多罕见神经退行性疾病在中年就会悄然袭来，如果挂错科室或诊断方向偏差，患者可能会接受错误的药物干预，甚至被当成单纯的精神心理问题处理。

这项研究的核心价值在于把 AI 的诊断焦点从「大病种粗筛」推进到了「多病种细分鉴别」。对基层医院或非专科神经内科医生来说，要准确辨别原发性进行性失语症的不同亚型几乎是不可能的任务，而直接在常规 MRI 扫描上运行轻量级机器学习模型，能为临床提供客观的初筛证据。

我们认为，这项研究最聪明的地方在于它没有盲目追求端到端的大模型神话，而是基于经典的脑图谱体积测量和支持向量机，在多中心临床数据上稳扎稳打。这种方法的特征重要性是可解释的，医生能直接看到模型依据了哪些脑区的萎缩。

隐患也同样明显。多分类准确率虽然是随机水平的三倍，但在临床诊断中仍显不足，且依赖特定病程窗口。这意味着该算法目前绝不能作为独立诊断工具，更适合充当专科医生的辅助提醒插件，避免那些年轻的罕见病患者在就医初期被彻底遗忘。