模型之模型能否帮助厘清阿尔茨海默病？

两个人即使都被诊断为阿尔茨海默病，面临的问题仍可能截然不同。一个人可能主要受记忆问题困扰，另一个人则可能难以寻找词语，或无法在熟悉的地方辨认方向。他们的脑部扫描结果、遗传背景和其他健康状况也可能各不相同。对于试图预测病情后续发展的研究人员来说，仅凭诊断仍有许多问题无法解释。

一项由耶路撒冷希伯来大学研究人员牵头的综述提出了一种计算方法，旨在更清晰地呈现这些差异。研究团队并未试图寻找一个能够解释每位患者的单一模型，而是提出了元建模：将针对疾病不同方面的专门模型联系起来，从而构建更详尽的个体画像。

这篇论文计算时代的阿尔茨海默病：从确定性疾病到多面性障碍于2026年7月30日发表在Brain。作者包括Meitar Benbaji、Barak Raveh、Lana Bassal、Uri Elias、Lidor Gazit、Gilles Allali、Gad A. Marshall和Shahar Arzy；他们的所属机构包括希伯来大学、Hadassah Medical Center、Lausanne University Hospital以及与哈佛大学有关联的医院。

这是一项面向未来研究的提案，并非经过验证的诊断系统，也不是已证实有效的治疗方法。它的重要意义在于提出了一个不同的问题：计算方法能否将有关阿尔茨海默病的众多零散发现，转化为对特定个体有用的解释和预测？

为何单一诊断标签可能掩盖重要差异

该校公告强调，阿尔茨海默病可能涉及认知症状、脑部变化、生物过程、遗传因素和风险因素的不同组合。记忆障碍只是其中一部分。定向能力、语言、行为、视觉加工和执行功能也可能受到影响。

生物学层面的情况也不止淀粉样蛋白和tau蛋白这两种与该病关系最密切的蛋白质。研究人员主张，还应同时考虑炎症、血管、代谢及其他过程。研究的目标是了解这些因素如何在个体身上相互作用，而不是假设所有确诊者都会经历完全相同的病程。

Arzy在新闻稿中将核心挑战描述为理解每位患者特有的生物学变化与认知变化组合。更全面的个体画像可以综合认知和行为评估、影像检查、生物标志物、遗传信息、分子测量结果，以及随时间收集的观察数据。

这是一项难度很高的整合工作。脑部影像、遗传风险指标和日常能力变化记录所描述的内容各不相同。将这些数据收集到同一个数据库中只是第一步；解释它们之间的关系才是更艰巨的任务。

模型之模型将如何运作

这项拟议的贝叶斯框架从针对疾病特定方面的部分模型入手。随后，每个模型都会被转换为概率代理模型，即呈现相关输入、输出和参数之间关系的表示。接着，耦合层会通过疾病阶段或进展速度等共享变量，将这些表示联系起来。

通俗地说，这种方法为原本彼此独立的模型提供了一套共同的数学语言。影像模型和认知模型可以在保留各自不同结构的同时，共同为估算患者状态提供证据。其预期输出包括个体病程轨迹、患者亚群，以及对比有无干预时的预测结果。

论文还允许不同的竞争性模型方案并存，并根据证据权衡它们。在研究人员可能对哪些机制影响最大存在分歧的领域，这一点很有价值。不过，对干预效果的模型预测仍只是有待检验的假设；在模拟中改变某个参数，并不能证明某种治疗会对患者有所帮助。

计算挑战不止于发现模式

对于关注人工智能的读者来说，值得注意的是，发现关联与建立经得起审视的解释并非一回事。系统可能会发现两项测量结果同步变化，却无法说明改变其中一项是否会改善另一项。个性化治疗所需的远不只是一个看似可信的预测。

因此，元建模提案尤其重视证据与假设之间的关系。如果某个组成模型不可靠，将它与其他模型结合起来并不会自动弥补这一缺陷。除非研究人员仔细检验各个组成模型及组合后的预测，否则更复杂的系统也可能产生更复杂的错误。

这项研究也体现了希伯来大学研究团队的跨学科特点。该校的团队介绍称，团队由神经科学家、临床医生和计算机科学家组成，研究人如何与周围环境互动，并特别关注阿尔茨海默病。这一研究视角有助于解释，为何该提案将日常认知体验与生物学测量结果一并纳入考量。

这项研究可能给研究工作和临床试验带来哪些变化

如果能够成功开发并通过验证，整合模型或可帮助研究人员找出疾病由相似过程组合驱动的患者。这有助于在临床试验中更精确地对患者分组，也能帮助研究人员判断应针对哪些参与者、靶向哪些作用机制。

这也能让疾病进展成为一个更具个体差异的问题。研究人员不必只考察平均患者的变化情况，还可以研究某个具体患者的症状、生物标志物和风险因素如何共同演变。长期追踪患者，就能有机会将预测结果与实际情况进行比较。

该大学还介绍了另一种潜在用途：比较接受干预与未接受干预时的模拟发展轨迹。此类比较或可帮助研究人员在开展成本高昂的研究之前，确定优先探索的问题。但这类结果应被视为基于模型的估算，并明确呈现其中的不确定性和假设，而不能当作干预有效的证据。

研究议程仍有大量工作待完成

作者提出的方案有赖于规模更大、更多元的数据集，反复验证，以及阿尔茨海默病研究界的通力合作。这些要求是这一构想的核心。只有当用于构建患者详细画像的信息可靠，且模型的预测在构建模型所用的人群和数据集之外仍经得起检验时，这种画像才有用。

此外，还有一个实际问题：增加复杂度究竟能带来什么。研究人员需要证明，将多个模型结合起来，确实能显著改善一项重要任务，例如预测疾病进展或识别有意义的患者亚群，从而足以证明额外的数据收集和建模工作值得投入。

这项工作的直接贡献是提供了一个连接研究的框架，而非临床产品。它的潜力在于，计算方法或许能帮助解释患者之间的差异，而不再让这些差异成为单一诊断标签无法说明的问题。它能否带来更好的决策，将取决于围绕这一框架积累的证据。