文章速递：超越昂贵PET？AI融合多源临床数据，实现阿尔茨海默病“低成本、高精度”筛查
文章题目：
AI-driven fusion of multimodal data for Alzheimer’s disease biomarker assessment
全文链接：
doi.org/10.1038/s41467-025-62590-4
影响因子/JCR分区：
15.7/Q1
截图来源：Nature communications官网
文章主要内容：
阿尔茨海默病（AD）的生物定义依赖于淀粉样蛋白β（Aβ）斑块和神经纤维tau缠结的检测，通常通过正电子发射断层扫描（PET）进行评估。虽然PET准确，但其费用高昂且普及率低，限制了其在常规临床实践中的应用。本研究提出了一种多模态计算框架，整合了来自七个独立队列、共12,185名参与者的多维数据，包括人口统计学、医疗史、神经心理学评估、遗传标记、多模态MRI等，以预测个体的Aβ和tau PET状态。该框架采用基于Transformer的机器学习模型，支持随机特征掩码与多标签预测，实现了Aβ分类AUROC 0.79、tau分类AUROC 0.84的优异性能。模型预测结果与PET生物标志物、尸检病理及已知tau空间沉积模式高度一致，可显著降低对昂贵PET扫描的依赖，支持AD临床试验中的参与者分层与预筛。
可专利性分析：
若在该技术方案公开发表前，现有技术中未公开同类多模态数据组合及用于阿尔茨海默病生物标志物预测与分层的特定方法，则该技术方案具备新颖性。研究中包含数据处理方法创新、建模架构创新、训练策略创新及新诊断指标创新，具备申报发明专利的潜力。可专利的主题有：
（1）一种计算机实现的阿尔茨海默病生物标志物预测方法：涵盖多模态数据融合、特征嵌入、随机掩码训练、多标签预测及疾病阶段划分的全流程；
（2）一种阿尔茨海默病预筛与分层系统/装置：基于预测概率输出与空间病理模式识别，支持临床试验候选者筛选与个体化治疗策略制定。
可专利点拆解：
本研究首次提出并成功验证了一种基于Transformer的多模态AI框架，用于解决传统PET在AD早期筛查与病理分期中的成本与可及性问题。其核心可专利点在于“一种基于多模态融合与随机掩码训练的AD生物标志物预测与分期方法”，其保护点涵盖：多模态数据融合与嵌入方法、随机特征掩码与多标签训练策略、新诊断指标与分期系统、临床流程集成与应用场景。
授权案例分析：
数据间映射--一种基于深度学习的病理图像分析方法、设备及系统
基于模态数据校正--一经盐水造影校正的搏动灌注图像重建方法、系统及设备
细分临床问题--基于胸部CT图像的EGFR基因突变检测方法和系统
总结：
总结：多模态AI疾病预测的研究，其专利布局可围绕“多模态数据融合→随机掩码训练→多标签预测→新分期指标→临床流程集成”全链条展开，覆盖方法、系统、存储介质及应用场景等多个维度，最大化AI在神经退行性疾病早期诊断与分层管理中的商业与临床价值。
北京预立生科知识产权代理有限公司
北京预立生科知识产权代理有限公司是一家专注于生物医学领域的专利咨询、专利申报及技术转化公司。拥有一支由专利代理师和技术专家顾问组成的逾40人的专业团队，是中国最优秀的生物医学专利服务机构之一。区别于传统专利服务机构的全领域服务，预立生科服务领域聚焦，在医学细分领域发明专利授权率全国排名前三，已经与200多家医药企业、三甲医院及重点研究所达成合作，成功申报5000余项生物医学类专利。
欢迎扫码咨询