加州大学旧金山分校（UCSF）的研究团队近日在《自然-医学》期刊发表突破性研究成果，展示了一种利用人工智能技术开发的新型阿尔茨海默病早期检测系统。该系统通过深度学习算法分析血液样本中的生物标记物，能够在患者出现认知症状前6年准确预测疾病风险，准确率高达89.4%。
这项研究历时4年，团队收集了超过5,000份血液样本并进行纵向追踪分析。他们发现，通过检测血液中β淀粉样蛋白和tau蛋白的异常聚集模式，结合炎症标志物NfL（神经丝轻链蛋白）浓度变化，AI系统能够识别出早期病理特征。这些微小的分子变化在传统脑脊液检测中往往难以察觉。
研究负责人迈克尔·温纳博士指出："我们的模型不仅能检测单一生物标记物，更重要的是能识别多维度生物指标的动态相互作用。这种复杂模式的识别正是传统诊断方法的短板。"
该技术采用新型卷积神经网络架构，特别针对蛋白质构象变化的光谱数据进行了优化。实验显示，在384例已知病例中，系统提前3年预测的敏感度达到92.1%，特异度为87.6%。研究团队正在筹备多中心临床试验，并计划将检测成本控制在单次150美元以内。
值得注意的是，该AI系统与现有PET脑部扫描技术相比，辐射暴露量减少98%，且无需住院检查。参与研究的神经病学教授莉莎·巴恩斯强调："这种非侵入性检测手段可能彻底改变阿尔茨海默病的筛查范式，使大规模人群普查成为可能。"
目前研究团队已与FDA展开对话，预计两年内完成临床验证并获得诊断设备认证。此项研究获得了美国国立卫生研究院（NIH）和比尔及梅琳达·盖茨基金会共计2,300万美元的资助。
【全文结束】