
-
生物通官微
陪你抓住生命科技
跳动的脉搏
综述:基于人工智能的生物标志物在神经疾病诊断和治疗中的应用:一篇叙述性综述
《Molecular Brain》:Artificial intelligence-based biomarkers for the diagnosis and treatment of neurological conditions: a narrative review
【字体: 大 中 小 】 时间:2026年03月09日 来源:Molecular Brain 2.9
编辑推荐:
人工智能通过整合多模态数据提升神经疾病生物标志物发现,在早期诊断、预后预测(如中风、阿尔茨海默病)和个性化治疗中展现优势,但受限于数据偏差、验证不足及可解释性挑战。
人工智能(AI)通过克服传统方法的关键局限性,正在改变神经学领域的生物标志物发现方式。传统方法通常速度较慢、过于简化,且无法整合复杂的多模态数据。在这篇叙述性综述中,我们检索了从数据库成立之初到2025年的PubMed、Scopus、IEEE Xplore、CINAHL、Embase和Cochrane Library等资源,以评估AI在神经血管疾病、神经退行性疾病、神经肿瘤疾病和癫痫等疾病中如何支持生物标志物的识别、诊断、预后预测和治疗分层。证据表明,基于AI的成像技术和多组学生物标志物能够更早地发现疾病,提高预测准确性,并支持个性化治疗。例如,AI模型在预测中风结果方面优于传统评分方法;其检测颅内动脉瘤的敏感性超过90%;在预测轻度认知障碍转化为阿尔茨海默病的准确性方面接近85-90%;并且在胶质瘤中提取的放射基因组生物标志物的效果优于传统诊断策略。然而,实际应用仍受到数据集偏见、外部验证不足、可解释性挑战以及普遍性不足的制约,尤其是在代表性不足的人群中。总体而言,基于AI的生物标志物发现为精准神经学研究提供了一条强有力的途径,当技术创新与可靠的临床验证、法规整合以及公平的数据代表相结合时,预计将产生最大的影响。
人工智能(AI)通过克服传统方法的关键局限性,正在改变神经学领域的生物标志物发现方式。传统方法通常速度较慢、过于简化,且无法整合复杂的多模态数据。在这篇叙述性综述中,我们检索了从数据库成立之初到2025年的PubMed、Scopus、IEEE Xplore、CINAHL、Embase和Cochrane Library等资源,以评估AI在神经血管疾病、神经退行性疾病、神经肿瘤疾病和癫痫等疾病中如何支持生物标志物的识别、诊断、预后预测和治疗分层。证据表明,基于AI的成像技术和多组学生物标志物能够更早地发现疾病,提高预测准确性,并支持个性化治疗。例如,AI模型在预测中风结果方面优于传统评分方法;其检测颅内动脉瘤的敏感性超过90%;在预测轻度认知障碍转化为阿尔茨海默病的准确性方面接近85-90%;并且在胶质瘤中提取的放射基因组生物标志物的效果优于传统诊断策略。然而,实际应用仍受到数据集偏见、外部验证不足、可解释性挑战以及普遍性不足的制约,尤其是在代表性不足的人群中。总体而言,基于AI的生物标志物发现为精准神经学研究提供了一条强有力的途径,当技术创新与可靠的临床验证、法规整合以及公平的数据代表相结合时,预计将产生最大的影响。