一张 MRI 预见十年：AI 形变模型如何推演阿尔茨海默病的大脑萎缩
弗吉尼亚大学团队于 2026 年 4 月发表预印本，提出 LDT 模型，利用逾千例纵向 MRI 数据，通过预测脑组织形变而非像素，从单次 MRI 推演未来数年的大脑萎缩过程。该模型在解剖合理性上显著优于现有方法，可辅助提升阿尔茨海默病诊断模型和海马体分割精度，但当前仍处于概念验证阶段，数据规模和临床前瞻性验证仍待解决。
临床困境与数据缺口
阿尔茨海默病的病理变化，如海马体萎缩、脑室扩大和皮层变薄，通常比临床症状早出现 5 到 10 年。然而，患者从发病到确诊平均仅进行 2 到 3 次 MRI 检查，影像数据稀疏且时间断裂，医生很难借此拼凑出完整的疾病演变轨迹。
从“画像素”到“算形变”
弗吉尼亚大学团队基于 ADNI 和 OASIS 数据库逾千名参与者的纵向 MRI 数据，提出了 LDT 模型。该模型不再直接生成像素灰度值，而是学习大脑随时间的形变规律。其过程分三步：首先利用微分同胚配准计算出相邻时间点间脑组织各位置的位移，生成光滑可逆的形变速度场；然后在形变空间中训练扩散模型，预测未来的形变图；最后将预测的形变施加于现有 MRI，推演出未来大脑的解剖结构。
解剖合理性与性能对比
团队使用雅可比行列式检测生成结果是否存在现实不可能的脑组织翻转。LDT 在最优情况下几乎不出现此类错误，而对比模型则频繁发生。在与 SADM、BrLP 和 CounterSynth 等强基线的比较中，LDT 在解剖结构准确性和时序连贯性上均表现更优。
对临床任务的潜在助益
LDT 生成的连续病程数据可用于扩充 AI 诊断模型的训练集。实验表明，加入合成数据后，阿尔茨海默病、轻度认知障碍与健康的三分类准确率获得提升，尤其当真实标注数据稀缺时增益最为明显。同时，形变传递可直接改善海马体分割的边界精度。更长远地，该能力或可在新药临床试验中加速数据分析、缩短随访等待。
局限与下一步
目前研究仍停留在回顾性概念验证层面：形变图在低分辨率下计算再放大至高分辨率，可能丢失细节；海马体分割实验仅涉及 53 名受试者；所有测试均未进行前瞻性临床验证；论文本身为预印本，尚未经过同行评审。尽管如此，LDT 的提出意味着医疗 AI 从对当前影像的“空间理解”开始迈向对疾病演进过程的“时空推演”，该思路同样可能应用于心脏病变、肿瘤生长等多个时序建模场景。