PsyBrain 脑心前沿 / 脑疾病与临床：顶刊文献解读专题 / A · 文献解读 / A018 · NatureAging单次MRI扫描，如何同时预测阿尔茨

A018 Nature Aging | 单次MRI扫描，如何同时预测阿尔茨海默病的诊断与认知衰退？

来源：公众号 PSY-Brain_Frontier ｜发布：2026-05-21 ｜原文链接

认知神经科学前沿文献分享

基本信息

Title: Predicting categorical and continuous Alzheimer’s disease outcomes from a single MRI scan

发表时间: 2026-05-18

发表期刊: Nature

影响因子: 48.5

获取原文:

添加小助手: PSY-Brain-Frontier 即可获取PDF版本
点击页面底部“阅读原文”跳转论文网页

研究背景

阿尔茨海默病（AD）的认知评估靠的是耗时且挑操作者的神经心理量表，社区诊所很难铺开。深度学习模型在AD诊断分类上做得不错，但一到预测连续认知分数，这个对预后更有用的任务，表现就差一截，而且大多还得用昂贵的多模态影像或纵向数据。

结构磁共振成像（sMRI）是临床上最好拿到的影像，但大家一直觉得单靠它预测认知衰退没什么用，因为高维影像输入和标量认知输出之间的维度差太大了。我们想打破这个局面，做一个多任务模型，只靠一次基线sMRI和基本人口学信息，就能同时给出诊断、当前认知分数和未来认知衰退轨迹

Fig. 1 | Overall model architecture.

实验设计与方法逻辑

研究用了三个公开数据集：ADNI（1950人）、HCP-YA（1008人）和DLBS（331人）。核心框架跑两个并行模块。

影像模块这边，用3D UNet做脑组织分割，把它的底层潜在表征当正则化特征，和预训练的MedicalNet（3D ResNet50）迁移学习模型各自提取影像特征。

梯度提升模块那边，把人口学信息和分割出来的组织体积扔进XGBoost。两个模块通过R²加权集成，一起预测诊断、基线认知和纵向认知变化率。模型只吃基线T1加权MRI和年龄、性别、教育年限、婚姻状况，完全不用基线认知评估、PET或脑脊液标志物。性能靠九折交叉验证、独立留出测试集和外部DLBS数据集来评估，还拉了九个基准模型做对比

核心发现

发现一：集成模型只靠基线MRI和人口学数据，就能高精度预测当前认知分数。

在留出测试集上，集成UNet+XGB模型预测基线阿尔茨海默病评估量表-认知子量表（ADAS-Cog11）分数的R²到了0.82，集成MedicalNet+XGB模型是0.80

而去掉领域知识定制（比如Gamma损失函数、分割正则化）的基准模型，R²最高才0.70。定制策略对性能提升很关键

Fig. 2f 展示了预测值和真实值的高度一致性；Table 2 的系统对比显示，加上Gamma损失与分割正则化后，模型性能跳了一大截

发现二：模型能从基线MRI预测未来长达36个月的认知衰退轨迹，不知道基线认知的情况下预测力仍然显著。

知道基线认知时，模型预测24个月后认知分数的R²大概在0.70-0.72；就算完全不知道基线认知，24个月时的预测R²还能到0.6左右。到36个月，预测性能掉了些，但R²还在0.5左右，统计上显著

Fig. 3b 和 Fig. 3c 分别展示了知道和不知道基线认知两种设定下的预测散点图，Fig. 3d 描绘了预测性能随时间缓慢下降的整体趋势

发现三：领域知识驱动的定制策略是模型成功的关键，贡献不比用大规模预训练模型小。

从头训练的定制3D UNet在认知预测上，跟参数量翻倍的预训练MedicalNet打得有来有回，甚至更好。用定制Gamma损失能让R²提升0.05，引入分割体积特征再提升0.05-0.08

Table 2 的模型消融实验结果表明，从M4到M9的性能跃升不是单纯靠模型体量堆出来的，而是靠一系列精心的领域知识注入

省流总结

我们证明了，往深度学习框架里注入领域知识，只靠一次临床上好拿的sMRI扫描，就能同时高精度地完成脑组织分割、AD诊断，还能预测当前和未来36个月的认知衰退轨迹。这个结果挑战了“单靠sMRI预测认知没什么用”的老观念。但模型在外部健康人群数据集上表现掉了，说明泛化能力还是受领域偏移限制，不能直接拿来当普适的临床筛查工具

分享人：天天

审核：PsyBrain 脑心前沿编辑部

💡 关于我们

👋 你好，这里是「PsyBrain 脑心前沿」

🧠 专注追踪全球认知神经科学的最尖端突破

🔍 视野直击 Nature, Science, Cell 正刊及核心子刊与顶级大刊

📄 每日速递「深度解读」与「前沿快讯」

科研是一场探索未知的长跑，但你无需独行。欢迎加入 PsyBrain 学术社群，和一群懂你的同行，共同丈量脑与心智的无垠前沿。

👇点击卡片进群，欢迎你的到来👇