2026-07-13
阿尔茨海默病(Alzheimer’s disease, AD) 作为最常见的神经退行性疾病，是全球痴呆患者的主要病因之一，现阶段全球每年以近一千万例新增速度发展，给予医疗体系和社会公共卫生巨大压力。在AD治疗领域的回顾中，1995年到2021年间，全球在AD药物研发上累计私人投入约425亿美元，从临床前阶段走到FDA批准，一款AD治疗药物的平均研发成本高达57亿美元，然而失败率却高达95%。
如今，一场由人工智能（AI）与多模态影像融合驱动的变革也许正在改变这一切，正在为“金发姑娘难题”找到突破与逆转。
1.对应了临床试验挑战：多模态影像 “全景透视”支持IRC做好“守门员”
1.1为什么AD药物试验需要IRC
AD是以认知功能减退和行为障碍为主要特征，基本病理特征为大脑中β-淀粉样蛋白过量沉积和异常磷酸化的Tau蛋白聚集形成的神经纤维缠结。目前临床对于AD和轻度认知障碍（mild cognitive impairment，MCI）的检查方法主要包括认知功能评估量表、CSF检测和脑成像技术。在临床试验中通过这些技术把“对”的药物给予“适宜患者”是成败的核心原因之一。
多中心临床试验面检查设备、成像参数、操作流程、判读标准等的多种不一致的棘手问题，独立评审委员会（IRC）正是解决问题的重要措施，并且应CDE 2021年1月发布《抗肿瘤药临床试验影像评估程序标准技术指导原则》明确要求，在影像源数据质量易出现偏差的多中心注册研究中，建议引入独立影像评估IRC。通过盲态的独立评估——最大程度地消除偏倚，确保数据的客观性和可信度。
1.2IRC流程：从图像到结论的关卡
IRC具备完备工作流程，并非简单的请评估专家“看看影像片子”。在AD领域，一套完整的IRC评估流程至少包括以下环节：
第一、图像质量质控。 以Aβ-PET为例，比如IRC影像质控采用7分制评分体系，评估脑区清晰度、噪声水平、脑室轮廓和左右对称性等指标。只有评分≥5分的图像才能进入正式阅片环节。评分不合格的图像，需要分析问题来源并尝试解决。常见的图像问题包括运动伪影、配准误差、设备校准不足等。
第二：标准化判读。 IRC采用统一的评分系统、评估前进行标准培训、测试，是保障不同专家评判主观差异的重要措施。在Aβ-PET判读中，常用BAPL评分（BAPL=1为阴性，2为中度沉积，3为重度沉积）。同时引入Centiloid标准化体系——将无Aβ沉积的图像定义为0 CL，典型AD图像定义为100 CL，从而实现不同中心、不同显像剂之间的数据可比性。
第三：多专家共识原则。 对于判读结果存在争议的病例，IRC通常采用“专家仲裁/少数服从多数”机制，甚至在特定环境中进行“专家会谈”达成共识。
第四：定量分析验证。 视觉判读之外，IRC还通过半定量与定量分析（如标准化摄取值比SUVr）进行交叉验证。
面对严谨的流程同样暴露的是高度依赖人工，高强度的工作量和人工判读引发的不可消除的主观差异更加需要理解和实施这场变革。
2.AI “恰到好处”赋能IRC
如果IRC是临床试验影像评估的“骨架”，那么AI就是让这副骨架的“肌肉”和“神经”的联动支配力量。AI的介入并非是完全取代人工医学专家复核，而是在最需要标准化、最需要效率、最需要精度的环节提供“恰到好处”的辅助。
2.1影像质控：繁琐的人工筛查到人工智能一体化
影像图像质量作为IRC的第一关。传统模式的费时费力将被AI的介入引发质的改变。
借助深度学习算法，AI可以自动识别图像中的运动伪影、配准误差、噪声水平异常等问题，并给出量化的质量评分。既往那数以万计图像今后将在秒至分钟内完成初审，并将不合格数据统一按标准标注、处理，将质控合格的图像数据进入人工流程。这不仅是效率的提升，更是标准化的保障——AI的判读标准是“固定”，不为疲劳、情绪或经验差异而产生波动。
2.2前所未有的数据资源：海量数据变成一把破局的钥匙
多模态融合面临一个现实难题：数据量庞大，专业融合结构复杂。例如：传统的AD临床试验患者筛选，往往依赖单一生物标志物（如Aβ-PET阳性）作为入组标准，但这往往发生入组的患者“不对”，要么太“早”（病情太轻），短期内看不出药效；要么太“晚”（病情太重），神经元已大面积死亡，药物无力回天。
AI与多模态影像整合：sMRI（体现结构脑萎缩）、PET（体现病理蛋白）、fMRI（体现脑功能代谢）等多模态数据后，能像“黄金分割尺”一样，精准定位出病理负荷已经达到治疗阈值、但神经损伤尚未越过不可逆红线的个体，从而大幅提高临床试验的成功率。
2025年，波士顿大学医学院的研究团队发表于《Nature Communications 》一项突破性研究展示了AI的强大能力。通过整合7个队列12,185名参与者的多维度数据，构建了首个能同时预测Aβ和tau病理的AI模型，用相对便宜、易获取的神经学评估和常规影像数据，来“估算”本应通过昂贵PET才能获得的病理信息，且该模型识别β-淀粉样蛋白状态的准确率（AUROC）达到0.79，识别tau蛋白状态的准确率达到0.84。
2.3定量标准化：AI让Centiloid成为通用定量
Centiloid量表已成为Aβ-PET定量分析的“通用语言”，让不同显像剂、不同扫描设备之间的数据具有可比性。AI的介入可以通过深度学习模型训练，如DeepSUVR等，自动生成图像特异性校正因子，显著提升Centiloid在不同显像剂之间的一致性。对于IRC而言，这意味着跨中心、跨试验的影像数据可以更可靠地进行纵向比较和荟萃分析——这是精准医疗走向规模化应用的基础设施。
多模态AI对阿尔茨海默病药物研发的价值，远不止于诊断。有了AI赋能的多模态影像分析，对于临床试验可以：
第一，更精准地锁定“适宜”患者。 通过整合影像、认知评估、生物标志物等多维数据，AI可以帮助判断一位患者究竟处于疾病的哪个阶段、属于哪种亚型，从而判断他是否适合某款在研药物。好药给对了人，才有机会发挥应有的作用。
第二，更灵敏地监测药物效果。 多模态神经影像在单克隆抗体疗法的诊断、监测和疗效评估中发挥着不可或缺的作用-。sMRI可以及早发现抗体治疗可能引发的脑水肿或微出血（即淀粉样蛋白相关影像异常，ARIA）；PET则能直观地量化淀粉样蛋白斑块的清除程度，作为药物是否“击中靶点”的客观证据。AI可以自动分析这些影像变化，比人工判读更早、更准确地捕捉到药物起效或产生副作用的信号。
第三，大幅降低临床试验成本。 精准筛选意味着更少的“无效入组”，更快的招募速度，更短的试验周期。有研究显示，AI辅助的临床试验优化平台已能将受试者招募时间缩短40%。
3.前路漫漫，但曙光已现
AI与多模态影像融合驱动下的IRC变革，其本质是医学从“经验依赖”走向“数据智能” 的缩影。当然，这条道路并非坦途。数据质量和算法偏差仍是制约AI医疗落地的关键瓶颈。但趋势已经不可逆转。
对于AD药物研发而言，这场变革的意义再怎么强调都不为过。精准筛选让“金发姑娘难题”不再无解；智能质控让多中心数据不再“各自为阵”；定量标准化让跨试验比较成为可能。为每个患者找到最合适的药，为试验药物找到最合适的患者——这个精准医疗的终极理想，正在AI与多模态影像融合驱动的IRC之路上，将从科幻一步一步走进现实。
参考文献：
Qiu S, Miller MI, Joshi PS, Lee JC, Xue C, Ni Y, Wang Y, De Anda-Duran I, Hwang PH, Cramer JA, Dwyer BC, Hao H, Kaku MC, Kedar S, Lee PH, Mian AZ, Murman DL, O'Shea S, Paul AB, Saint-Hilaire MH, Alton Sartor E, Saxena AR, Shih LC, Small JE, Smith MJ, Swaminathan A, Takahashi CE, Taraschenko O, You H, Yuan J, Zhou Y, Zhu S, Alosco ML, Mez J, Stein TD, Poston KL, Au R, Kolachalama VB. Multimodal deep learning for Alzheimer's disease dementia assessment. Nat Commun. 2022 Jun 20;13(1)
