2026年01月12日
在全球老龄化不断加速的背景下，阿尔茨海默病已成为影响老年人健康和生活质量的重要疾病之一。由于早期症状不明显、病程进展缓慢，如何在疾病尚未出现明显临床表现之前进行风险识别和分期判断，一直是医学研究和临床实践中的难点。近年来，随着人工智能技术的快速发展，越来越多研究开始尝试借助多源数据和智能算法，为阿尔茨海默病的早期预测和识别提供新的解决思路。
近日，西交利物浦大学与英国谢菲尔德大学联合研究团队在信息融合领域国际期刊 Information Fusion 发表综述论文，系统梳理了近二十年来阿尔茨海默病多模态预测研究的发展脉络，并对不同研究方法进行了系统归纳和对比，帮助读者更直观地理解各种技术路线之间的差异。
在此基础上，研究团队提出了一种更加清晰、易于理解和应用的多模态融合方法分类框架，旨在帮助科研人员在面对不同医疗数据条件和研究任务时，更快、更准确地选择合适的分析思路和技术路径。
论文第一作者、西浦智能工程学院博士生管祎钒介绍道：“多模态预测指的是从多个角度同时获取并分析同一个人的健康信息。对于阿尔茨海默病而言，这些信息既包括磁共振成像（MRI）、正电子发射断层扫描（PET）等反映大脑结构和功能变化的神经影像数据，也包括血液或脑脊液中的生物标志物、遗传信息，以及临床量表和认知行为评估结果。”
他进一步解释说，单一模态的数据往往只能反映疾病的某一个侧面，而将多种数据融合进行分析，有助于更全面地刻画疾病状态，从而提升早期检测和疾病进展预测的准确性。
不过，尽管多模态研究发展迅速，要真正走向实际应用仍面临不少挑战。当前，不同研究采用的融合策略差异较大，缺乏统一、清晰的分类和描述方式，使得一些结构复杂的模型设计思路难以被直观理解和有效比较。
与此同时，真实临床环境中的数据条件也远比实验设定复杂。很多模型在公开数据集上表现优异，但在实际应用中却面临数据缺失、样本分布不平衡以及不同医院之间数据差异等问题，导致模型性能难以稳定发挥。此外，一些深度学习模型的决策过程较为不透明，一旦医生无法理解模型为何给出某一判断，也会影响人工智能辅助诊断结果在临床中的采纳和使用。
在这样的背景下，研究团队从“功能和设计逻辑”的角度出发，对现有多模态融合方法进行了系统重构。他们将传统机器学习和深度学习范式下的融合策略进一步细化，明确不同方法在信息流动方式和模块分工上的差异，从而形成一套更具可解释性的分类体系。
管祎钒表示：“这样的分类方式更强调‘方法是如何工作的’。我们希望这套框架不仅能够统一阿尔茨海默病多模态融合研究中的讨论语境，降低不同研究之间比较和复现的成本，也能帮助研究者在面对具体任务时，快速判断哪些融合设计更合适、更具实际落地价值。”
论文还对该领域未来的发展方向进行了总结。论文通讯作者、西交利物浦大学智能工程学院计算机系副教授祁君博士认为，未来的多模态人工智能研究将更加关注在不完美数据条件下的稳定表现。
她表示：“我们将继续探索如何在模态缺失的情况下保持模型的鲁棒性，如何将医学先验知识融入模型设计以提升可解释性，以及如何借助大语言模型等新技术，更高效地理解和组织复杂的临床数据，让人工智能模型真正服务于阿尔茨海默病的早期筛查和临床决策，为构建可部署的智慧医疗系统提供参考。”
论文作者：西交利物浦大学博士生管祎钒、徐径舟，计算机系王唯博士、陈建军博士、祁君博士，及谢菲尔德大学杨珀教授。
（记者：金画恬）
2026年01月12日