舊金山加利福尼亞大學（University of California, San Francisco, UCSF）的研究團隊開發出一款人工智慧（AI）模型，僅需單次基線磁振造影（MRI）掃描和基本人口學資料，即可預測認知功能障礙和阿茲海默症的病程進展。這項發表於《Nature Aging》期刊的研究，有望使阿茲海默症的早期評估更加快速、便捷，並減少對昂貴專門檢測的依賴。
目前，阿茲海默症佔全球失智症案例的六至七成。傳統診斷常需仰賴正子斷層掃描（PET）、腦脊髓液或血液生物標記、基因檢測及全面的神經心理評估等多種互補技術。儘管MRI是神經學評估中最普及的影像工具之一，但過往單純的MRI數據在傳統AI框架下，難以捕捉阿茲海默症病程的複雜性。
為解決這項挑戰，舊金山加利福尼亞大學團隊設計了一個多任務深度學習框架，結合領域專屬的影像知識與進階機器學習方法，直接從結構性MRI掃描預測認知結果。該系統的一項關鍵創新是開發出專門的影像模型，能夠在產生認知預測前，將腦組織區分為灰質、白質及腦脊髓液。研究作者指出，這種任務導向的分段步驟讓模型能更有效地學習生物學上相關的空間腦部特徵。
相較於許多早期阿茲海默症預測模型，此新系統不需長期影像數據、基線認知測試、PET掃描或分子生物標記分析。舊金山加利福尼亞大學教授 Ashish Raj（PhD）表示：「不同於以往的方法，我們的模型不需要基線認知評估、專業影像處理流程、昂貴的PET掃描、基因分析或流體蛋白質組學，使其成為適用於大多數臨床環境，快速、準確且易於實施的工具。」機器學習專家 Daren Ma（MSc）則補充道，該模型在速度與性能上較其他分析流程有顯著提升，對於在轉介病患進行更進階影像檢查或撰寫完整神經放射學報告前，提供快速的認知功能障礙臨床預測，深具價值。
研究人員透過 Alzheimer's Disease Neuroimaging Initiative（ADNI）及人類連線組計劃（Human Connectome Project Young Adult cohort）的影像與臨床資料進行模型訓練與驗證，並利用 Dallas Lifespan Brain Study 的獨立數據集進行外部驗證，證實其多任務框架在預測臨床相關結果方面優於現有AI方法，能精準預測阿茲海默症診斷、組織分段、當前認知功能及未來認知衰退。
這項技術除能協助臨床醫師早期識別高風險病患，簡化轉介流程外，未來還可能應用於其他以腦部結構變化和漸進式認知衰退為特徵的神經退化性疾病，如帕金森氏症、肌萎縮性脊髓側索硬化症（ALS）和亨丁頓舞蹈症。Ashish Raj 指出，僅用基線數據就能正確預測病程進展的能力，可大幅減少臨床試驗所需的樣本量和成本。
然而，AI在醫療領域的應用仍需審慎。妙佑醫療國際（Mayo Clinic）生成式AI應用首席產品經理 Matthew Byrne 指出，AI雖可提高癌症照護中的症狀管理、患者教育和臨床工作效率，但仍存在誤報、偏見、隱私問題以及因數據不完整或品質不佳導致的不準確輸出等隱憂。Matthew Byrne 強調：「我們的目標絕不是取代護理師，而是透過加速資訊收集、標準化流程來支援決策制定。」他呼籲醫護人員必須參與AI技術的開發、測試與部署，以保護臨床實踐，並確保AI生成的內容符合機構標準和患者需求。
儘管AI技術能帶來效率提升，但 Matthew Byrne 亦指出，護理師所提供的同情心、判斷力和人際連結是AI無法取代的核心價值。他認為，提高醫護人員的AI素養，並讓臨床醫師參與AI開發與實施，對於這些技術在癌症照護領域的持續擴展至關重要。