AI血液检测引爆神经疾病诊断千亿变局

数十年来，阿尔茨海默病、帕金森症等神经退行性病变的临床判定主要依托于对患者认知及运动功能的长期追踪观察。但这种传统模式遭遇严峻考验：各类神经退行性疾病初期症状高度相似，造成误诊漏诊频发。即便是专业记忆门诊，误判比例仍达25-30%，社区基层医疗机构更是超过50%。伴随全球老龄化进程加速，老年群体多重病理叠加现象日益突出，80岁以上人群约七成并存多种神经退行性病变。为破解这一临床困局，医疗领域正迎来根本性转变——由主观症状评判转向依托血液生物标志物与人工智能技术的精准分子级诊断。

在此趋势下，推动尖端科研成果向商业化落地转型的企业备受资本瞩目。值得关注的是，该领域权威学者、瑞典隆德大学Oskar Hansson教授已加盟跨国药企巨头礼来（Eli Lilly and Company，纽交所代码：LLY），出任神经退行性疾病早期临床与影像研发副总裁。礼来作为神经退行性疾病治疗领域的领跑者，近年凭借阿尔茨海默病抗淀粉样蛋白靶向药物（如Donanemab）取得突破性进展，其股价在纽约证券交易所持续攀升，市值不断刷新纪录，彰显出市场对精准神经疗法的强烈信心。同时，本研究涉及的tau蛋白聚集体血液检测核心技术已授权给华盛顿大学孵化的创新企业C2N Diagnostics（非上市私营公司），该公司此前已成功推出基于质谱技术的PrecivityAD血液检测产品。这种产学研深度结合，预示着基于血液蛋白质组学的神经诊断方案正加速从科研走向广阔的全球医疗市场。

为应对多重病理并存与早期识别的双重挑战，瑞典隆德大学与全球神经退行性疾病蛋白质组学联盟（GNPC）携手打造了一款名为ProtAIDe-Dx（基于蛋白质组学的痴呆症诊断人工智能）的前沿深度学习系统。该系统依托GNPC建立的全球最大神经退行性疾病蛋白质组数据库，对横跨19个研究中心的17,187名受试者（平均年龄70.3±11.5岁，女性占比53.2%）的血浆标本展开了深入解析。

1. 海量血浆蛋白质组数据的降维处理与特征提取在构建ProtAIDe-Dx过程中，科研团队运用SomaLogic 7k蛋白质组学技术平台，对单份血液样本中的7,595种蛋白分子实施了全覆盖测序。面对这种维度极高、层级复杂且混杂技术干扰信号的庞大数据集，传统二分类机器学习算法难以捕捉不同疾病间错综复杂的非线性关联。为此，ProtAIDe-Dx创新性地引入了深度联合学习（Deep Joint-Learning）框架。

2. 联合学习框架的差异化优势区别于传统专注于单一病种训练的单任务模型，ProtAIDe-Dx的联合学习架构可同步处理六大分类任务：阿尔茨海默病（AD）、帕金森病（PD）、额颞叶痴呆（FTD）、肌萎缩侧索硬化（ALS）、既往脑卒中/短暂性脑缺血发作（Stroke/TIA）及认知正常健康对照组。该架构的核心价值在于信息互通：通过在多项诊断任务间共享底层神经网络权重，系统能够掌握脑功能衰退的“通用模式（General Pattern）”，进而大幅提升对并存病理的判别能力。

ProtAIDe-Dx模型在应对临床样本严重不均衡及破解多重病理共存困局方面展现出卓越效能。交叉验证显示，该系统在所有疾病分类任务中的平衡分类准确率（BCA）介于70%至95%之间，受试者工作特征曲线下面积（AUC）全部超过78%。

具体来看，ProtAIDe-Dx在ALS与PD识别上表现尤为突出，中位数BCA分别达95%和92%；AD分类准确率为81%；健康对照组识别率83%；FTD与脑卒中/TIA则分别为72%和70%。相较于Random Forest（随机森林）、XGBoost及TabPFN等现有顶尖机器学习与深度学习基线模型，ProtAIDe-Dx整体性能显著领先，特别是在AD与FTD这类异质性极高的疾病分类中，其联合学习框架有效缓解了单一病种数据不平衡问题，大幅降低了假阴性比率。

多重病理的量化概率输出ProtAIDe-Dx不仅输出单一分类标签，更为每位受试者提供针对上述六类状况的个性化概率诊断（Probabilistic Diagnosis）。这种概率输出机制是应对高龄人群多重病理叠加的理想方案。例如，当患者同时罹患AD与路易体病变（Lewy body pathology）时，ProtAIDe-Dx可依据血液蛋白特征，同时赋予该患者较高的AD与PD概率分值，从而在临床实践中精准揭示隐匿的并存病理，规避传统诊断“以偏概全”的弊端。

ProtAIDe-Dx不仅是诊断工具，更是强大的疾病生物学探索引擎。研究证实，单纯依赖临床症状的传统诊断往往难以真实呈现患者底层的生物学状态。

1. 临床诊断与生物学图谱的偏差借助t-SNE等降维技术对模型输出的疾病概率进行二维可视化映射，研究者发现，大量临床诊断为阿尔茨海默病的患者，其血浆蛋白质组学特征实则更趋近于其他脑部病变区域。这揭示出，临床表现相似的患者可能存在迥异的潜在生物学亚型（Biological Subtypes），不仅意味着原有临床诊断可能存在偏差，更暗示AD等疾病的发病机制可能涵盖多种异质性病理通路。例如，模型成功识别出两个小众AD亚型群体，其蛋白丰度特征与主AD群体（表现为细胞死亡、损伤应答及线粒体活性蛋白上调）呈现截然不同的能量代谢相关蛋白下调模式。

2. 深度模型的可解释性与核心蛋白标志物为使深度学习“黑箱”具备临床可解释性，研究团队运用特征置换法（PermFIT）识别最具判别力的蛋白质分子。ProtAIDe-Dx精准锁定了一系列具有重大临床价值的生物标志物：

与AD密切相关的CPLX2、CLU、SMOC1及ACHE（乙酰胆碱酯酶，与常用AD药物治疗机制高度契合）。

与FTD关联的NEFL。

与PD相关的SUMF1、SERPINF2等。

横跨多种神经退行性病变的突触损伤标志物NPTXR。

尤为关键的是，模型还识别出一组可区分健康对照组与其他所有疾病的**脑健康与认知储备（Cognitive Reserve）**标志物，涵盖GLO1、TGFB1、PDE11A、IGF2和OMG等。这些蛋白不仅助力疾病诊断，更为未来神经保护药物研发开辟了全新靶点。

在实际临床应用中，ProtAIDe-Dx最引人瞩目的特性在于其早期筛查与疾病分期方面的巨大潜力。

1. 对未接触过的早期认知障碍人群的泛化能力当研究者将该系统应用于未参与建模的外部记忆门诊样本（如BioFINDER-2队列）中病因未明的患者——诸如主观认知减退（SCD）或轻度认知障碍（MCI）人群时，ProtAIDe-Dx能够精准将这些早期患者归类至相应病理区域。这意味着，在患者出现显著认知退化前数年乃至数十年，其血液蛋白网络已发生可被AI捕捉的微观变化。

2. 脱离基线诊断的纵向认知衰退预测ProtAIDe-Dx不仅能完成横向病理分类，还可延伸至纵向临床进展预测任务。研究证实，模型提取的非线性蛋白质组学嵌入（Embeddings）能有效辨别认知正常人群未来是否会发生认知退化（从CDR 0进展至CDR 0.5或1）。此外，在MCI患者群体中，基线时被ProtAIDe-Dx预测为AD的患者，其后续Mini-Mental State Examination（MMSE）认知评分下降速率，明显快于被预测为对照组的患者（FDR校正P值=0.0015）。这种摆脱传统临床标签束缚的预测能力，为医师实施早期干预与疾病管理赢得了极其珍贵的窗口期。

ProtAIDe-Dx的诞生，为全球神经科学及基层医疗体系带来了颠覆性变革。传统AD及其他痴呆症的精准诊断严重依赖昂贵且稀缺的正电子发射断层扫描（PET）或有创腰椎穿刺（脑脊液CSF检测）。此类高昂成本与技术壁垒，导致仅极少数患者能在疾病早期获得明确诊断。

借助低成本、无创的单次采血（Single blood draw），ProtAIDe-Dx及其衍生的“两步法”基层医疗流程（即先行数字化认知测评，再对异常者开展血液生物标志物检测），将精准医疗的触角直接延伸至误诊率居高不下的基层医疗场景（Primary Care）。这不仅能大幅提升鉴别诊断精准度，超越现有临床常规指标（如年龄、性别、单一血浆p-tau217等）的诊断效能，还可为即将问世的抗淀粉样蛋白及抗tau蛋白等疾病修饰疗法（Disease-modifying therapies）提供精确的患者分层与受试者筛选工具。

尽管当前该模型在跨中心泛化能力（Site Generalization）及消除不同实验室技术干扰方面仍存挑战，且需进一步整合质谱分析技术（Mass Spectrometry）以提升特定蛋白检测特异性，但ProtAIDe-Dx无疑已为AI驱动的多重生标志物检测树立了坚实基准。

总体而言，ProtAIDe-Dx凭借深度联合学习架构与对海量血浆蛋白质组数据的精准解析，成功突破了神经退行性疾病依赖症状诊断的传统束缚。其不仅在破解多重病理并存、提升基层诊断精准度方面展现卓越临床价值，更为加速全球神经科研进程、推动医疗模式从被动治疗向主动干预的精准化转型奠定了基石。

免责说明：本解析文章仅作学术交流、科研探讨及行业信息参考，不构成任何医疗诊断意见或投资指引。文中所涉具体企业、股票代码及市场表现，仅为呈现相关技术产业化背景与行业发展态势。神经退行性疾病的临床诊断、分期及治疗，应由具备资质的专业医师依据多维度临床证据综合评估。因使用本文信息而产生的任何医疗决策或投资行为，本文作者及发布机构不承担法律责任。投资者与患者应寻求独立专业的财务与医疗咨询。