全 文 ：第27卷 第2期
2015年2月
生命科学
Chinese Bulletin of Life Sciences
Vol. 27, No. 2
Feb., 2015
文章编号：1004-0374(2015)02-0174-08
DOI: 10.13376/j.cbls/2015025
收稿日期：2014-08-22； 修回日期：2014-10-11
基金项目：国家自然科学基金项目 (31371008，81171179)
*通信作者：E-mail: shwguo@scut.edu.cn
轻度认知障碍的早期检测与转化预测研究进展
岑桂英，郭圣文*，池敏越，匡翠立，牛传筱，赖春任
(华南理工大学生物医学工程系，广州 510640)
摘 要：轻度认知障碍 (mild cognitive impairment, MCI)具有发展为阿尔茨海默症 (Alzheimers disease, AD)
的高度危险性，其发病机理、早期检测与进展状况跟踪预测是轻度认知障碍研究中 3个重要问题。Aβ 沉积
与 tau 蛋白异常较好地解释了MCI/AD的致病机理与过程，是对MCI最为敏感的生化特征；认知能力评分
适用于评估与确诊出现临床症状的患者；神经影像学，包括脑结构、脑功能与脑网络的研究，有效地推动
了MCI/AD的研究，为临床诊断提供更直接的客观依据。将生化特征、神经心理学与神经影像学特征相结合，
应用模式分类与预测模型，实现MCI/AD的分类，以及MCI的动态跟踪和进展状况预测，具有重要的研究
意义与临床应用价值。
关键词：轻度认知障碍；生化标记；神经心理学；神经影像学；模式分类
中图分类号：R742；R749.1 文献标志码：A
Advances on early detection and conversion prediction of
mild cognitive impairment
CEN Gui-Yin, GUO Sheng-Wen*, CHI Min-Yue, KUANG Cui-Li, NIU Chuan-Xiao, LAI Chun-Ren
(Department of Biomedical Engineering, South China University of Technology, Guangzhou 510006, China)
Abstract: Mild cognitive impairment (MCI) has high risk to be converted into Alzheimers disease (AD). There
exist three important issues such as its pathogenesis, early detection, progress tracking and predicting. The theory of
Aβ deposition and abnormal tau protein can be effectively used to explain the pathogenesis and process of MCI/AD,
and they are the most sensitive biochemical marks to MCI/AD, whereas cognitive ability scores are usually adopted
to assess and diagnose the MCI/AD patients with clinical symptoms. Moreover, neuroimaging technologies,
including investigation on brain structure, brain function and brain networks, have potentials to facilitate the
exploration on MCI/AD. Neuroimaging technologies have already provided more direct and objective basis for
clinical diagnosis on MCI/AD. The three main features including biochemical marks, neuropsychology and
neuroimaging features can be combined and then applied to the pattern classification model, so as to differentiate
MCI from AD, track progress of MCI and predict its development.
Key words: mild cognitive impairment; biochemical marks; neuropsychology; neuroimaging; pattern classification
阿尔茨海默症是一种常发生于老年人的神经退
行性变，其主要表现为记忆与认知功能出现持久而
全面的衰退。据国际阿尔茨海默病协会 (Alzheimer’s
Disease International, ADI) 2013年度报告，目前世
界上共计有 3 500万人患有此病，用于阿尔茨海默
病患者照护的费用超过了 6 000亿美元，约占全球
GDP的 1%。预计到 2050年，患者人数将增长两倍，
达 1亿 1千万。据统计，我国 60岁以上人口现已
达到 1.67亿，目前大约有 500万阿尔茨海默症患者，
占世界发病总数的七分之一。随着中国步入老年化
社会进程明显加快，预计到 2050年，我国大于 65
岁的人口将超过 4亿，中国阿尔茨海默病患者将会
岑桂英，等：轻度认知障碍的早期检测与转化预测研究进展第2期 175
达 9 000万。阿尔茨海默症不仅严重影响患者个人
的身心健康与生活质量，而且给家庭与社会带来沉
重的经济负担。
MCI患者是 AD的高危人群，MCI向 AD的
年转化率为 10%~15%，约为正常老年人的 10倍。
已有研究与临床实验表明，MCI/AD的病理特征主
要表现为神经元内的神经纤维缠结 (neurofibrillary
tangles, NFT)和细胞外的淀粉样斑块，亦称老年斑
(senile plaque, SP)，皮层动脉和小动脉的血管淀粉
样变性以及神经元数量的减少，但其发病机理、过
程、规律与敏感标记物和特征，至今尚不明确，亦
无有效的治疗方法或措施。因此，揭示MCI的发
病机制、早期诊断与及时防治，一直以来是许多专
家学者最为关注的三大重要问题。
1 阿尔茨海默症的病理特征与标记物
1.1 生化标记物
近一个世纪以来，人们试图从不同角度进行解
释阿尔茨海默症的发病机理，如 Aβ沉积、tau 蛋白
异常磷酸化、胆碱能损伤、神经细胞凋亡、免疫异常、
基因突变、钙代谢紊乱、自由基损伤、铝中毒以及
兴奋性氨基酸等学说。其中，Aβ 沉积、tau 蛋白异
常修饰学说最为大多数人所接受。
1.1.1 Aβ蛋白
β淀粉样蛋白 (amyloid β, Aβ)来源于中枢神经
系统的星形胶质细胞、神经元及内皮细胞等所表达
的蛋白质的蛋白样淀粉前体，β淀粉样蛋白的异常
沉积是 AD的最典型的组织病理特征之一 [1]。该假
说认为：细胞外异常聚集的 β淀粉样蛋白会激活小
胶质细胞，活化的小胶质细胞及其产生的多种炎性
产物作用于胶质细胞或神经元，造成神经组织的病
理损伤，进而引起认知障碍 [2]。
1.1.2 tau蛋白
AD的另一个显著病理特征是神经细胞内高度
磷酸化 tau蛋白因异常聚集形成神经元纤维缠结 [3]。
tau蛋白是一种分布在中枢神经系统内的低分子量
含磷糖蛋白，其作用是诱导与促进神经微管蛋白聚
合、防止微管解聚和维持微管结构和功能的稳定性。
在 tau蛋白异常磷酸化学说中，ApoE基因扮演着重
要的角色。正常情况下，它通过与 tau蛋白之间的
相互作用，保持神经元微管的结构稳定与神经元营
养运输通道通畅；当 ApoE的表型之一 ApoE4不能
与 tau蛋白结合时，会使 tau蛋白磷酸化，使 tau蛋
白聚集形成溶解度极低的纤维缠结，因而影响神经
元微管结构完整性，进而阻断神经元营养运输通道，
其结果是神经元萎缩、功能衰退，甚至死亡 [4]。
1.1.3 MCI与AD检测的重要生物标记
以 β淀粉样蛋白和 tau蛋白作为标记物的 AD
发病机理与早期诊断的研究，已成为近年来神经生
物学家们研究的热点。
生物体内的 Aβ 以多种形式存在，其中 Aβ40
和 Aβ42最为重要与引人关注，后者较前者多两个
疏水氨基酸，因而更易聚集与沉积，且 Aβ42的破
坏性和成纤维性亦更强。因此，血浆或脑脊液中
Aβ42、总 tau 蛋白 (T-tau)及磷酸化 tau 蛋白 (P-tau)
水平，是三种用于检测 MCI与 AD的重要生物标
记物。脑脊液中 Aβ42水平降低、T-tau及 P-tau浓
度的升高是目前公认的 AD特异性的脑脊液生物学
标志。Hansson等 [6-7]根据脑脊液中 Aβ42水平和
tau 蛋白浓度，区分MCI/AD与正常老年人准确率
高于 85%，预测 MCI患者发展为 AD的准确率达
90%以上，尤其是 P-tau，对MCI转化为 AD较为
敏感。
随着研究的深入，人们更为关注临床前认知障
碍的发现，即没有临床症状的认知障碍问题。2011年，
美国国家老龄化研究所 (National Institute on Aging,
NIA)与阿尔茨海默症协会 (Alzheimers Association)
将潜伏期 AD划分为 3个阶段：第一阶段，脊髓液
中 β淀粉样蛋白的水平开始下降，表明该物质开始
在大脑中聚集形成斑块；第二阶段，脊髓液中 tau
蛋白的水平开始上升，表明脑神经细胞开始凋亡并
减少，与此同时，Aβ水平仍继续下降；第三阶段，
在 Aβ与 tau蛋白异常的情况下，通过神经心理学
测试可检出认知能力的退化。2013年，华盛顿大学
医学院与荷兰马斯特里赫特大学的科学家根据该分
类体系，对 311位 65岁以上的老年人进行了跟踪
分析，初步评估结果证明，该标准有助于了解个体
处于 AD哪一阶段，预测MCI与 AD的进展，以及
大脑功能衰退的速度与程度 [8]。
除了上述生物化学标记，AD的生物标记还包
括神经心理学标记、神经影像标记和基因标记。
1.2 神经心理学标记
在国立神经疾病及交流障碍和卒中研究所
(National Institute of Neurological and Communicative
Disorders and Stroke, NINDS)和阿尔茨海默病及相
关障碍研究协会 (Alzheimer’s Disease and Related
Disorders Association, ADRDA)1984年联合制定的
AD的临床诊断标准中，简易精神状态检查得分
生命科学 第27卷176
(mini mental state examination, MMSE)和临床痴呆
量表得分 (clinical dementia rating, CDR)是两个非常
重要的指标。其中，MMSE是一种评价总体认知状
态的指标，包含对记忆、定向、理解力、注意力、
阅读、书写、学习等 30个方面能力的评估。MMSE
具有简单、易行、效度较理想等优点，已作为认知
障碍初步检查的依据。CDR则重点评估记忆、定向、
家庭生活、生活自理、解决问题和社交事务这 6个
方面的能力，以对 AD患者的认知功能、社会交往
与生活能力进行评估。在区分MCI和 AD时，通常
用到的评分指标是 MMSE和 CDR：AD中MMSE
范围为 20~26；CDR为 0.5或 1.0；而MCI中MMSE
范围是 24~30；CDR是 0.5。
此外，认知能力评定量表还包括 AD认知分量
表 (the Alzheimers disease assessment scale cognitive
behavior section, ADAS-Cog)、雷伊听觉语言学习测
试 (Rey auditory verbal learning test, RAVLT)、音韵
流畅性测试 (phonemic fluency test, PhFT)和语义流
畅性测试 (semantic fluency test, SFT)、连线测验
(trail-making test, TMT)等。
神经心理学测试适用于评估与确诊已出现部分
临床症状的MCI或 AD患者。
1.3 神经影像学
利用影像技术，如 PET(正电子发射计算机断
层扫描 )、MRI(磁共振成像 )、DTI(弥散张量成像 )
与 fMRI(功能性磁共振成像 )等检测脑神经的结构
与功能变化。
1.3.1 PET
PET主要用于检测人体代谢状况，代谢异常远
比神经影像的结构变化早。FDG(氟脱氧葡萄糖 )-
PET发现，顶 -颞联合皮层、后扣带皮层较早出现
糖代谢降低，此后扩展到额叶皮层 [9]。双侧颞叶代
谢下降导致记忆减退，颞顶皮层代谢下降则出现语
言障碍。FDG-PET技术可用于痴呆的早期诊断、
临床前阶段的检测、成因分析与MCI转化预测等 [10]。
与 FDG-PET技术相比较，应用 PET成像检测
大脑淀粉样蛋白沉积 (amyloid-PET)，对早期痴呆的
敏感性更强，如利用新型 Aβ的配体 Pittsburgh
Compound B (PIB)，使存在于大脑中的载有 Aβ的神
经纤维可视化，且表明脑脊液中 Aβ42的水平与脑组
织内淀粉样蛋白的沉积成负相关 [11-12]。Villemagne等 [13]
利用 Florbetapir F18 (18F-AV-45)作为 Aβ的示踪新
标记物，实验结果表明，PET影像中，18F-AV-45对
MCI、AD具有强的敏感性，能有效地区分 MCI、
AD与其他神经退行性疾病，和 PIB相当。其中，
PIB-PET是近年来的应用最为广泛与有效的技术，
它既可以更早地发现痴呆患者的淀粉样蛋白沉积，
而且可用于分析临床症状、Aβ、脑神经结构与功能
的动态变化，以及揭示它们之间的相互关系 [14]。
1.3.2 MRI
MRI能获取高分辨率的脑组织影像，可在宏观
尺度上对灰质、白质和脑脊液进行定量检测与定性
分析，如密度、体积和皮层厚度等参数，应用统计
分析理论，区分 MCI、AD与正常老年人的灰质、
白质与脑脊液等脑组织的差异。基于体素的形态学
方法 (voxel based mophometry, VBM)常用密度体积
比较与分析，它具有使用方便、敏感度高、计算速
度较快等优点。通过 VBM分析证实，MCI患者始
于颞叶与额叶的灰质萎缩，包括颞下回、颞中回、
颞上回、颞极区、听觉联合皮层、下额叶皮层等脑区，
导致听觉与记忆功能退化。AD患者的灰质在海马、
海马旁回、颞极、尾状核头、丘脑内侧、脑岛和杏
仁核等发生退化，且左脑灰质体积萎缩更为显著。
Chetelat等 [15]对 MCI患者进行了跟踪分析，
比较了转换为 AD与稳定型 MCI两组患者，结果
显示，经过 18个月后，18名MCI患者的颞叶、海
马旁回、眶区、顶下小叶及左丘脑的灰质体积均显
著减少，但转换为 AD 的MCI患者的颞下回、颞
中回、海马、后扣带回和楔前叶的灰质萎缩更严重。
研究发现，皮层中的神经元呈柱状排列，被称
为皮层功能柱，它垂直于皮层表面，是脑功能的基
本单元，而脑皮层厚度是描述皮层功能柱的结构的
参量，相对于灰质体积，它更能直观有效地反映脑
神经的结构与功能。脑皮层变薄是灰质减少与大脑
萎缩的重要表现，如吴晓宁等 [16]的研究说明，MCI
脑皮层厚度变薄主要位于默认网络核心脑区，包括
前额叶内皮层、前额叶后皮层、两侧颞叶皮层、海
马等，而 AD患者除了上述脑区外，在海马旁回、
后扣带回和前额叶下回、前额叶内侧和背侧等几乎
全脑皮层均变薄。
1.3.3 DTI
除了灰质与脑积液，神经退行性病变还体现在
白质的变化上。DTI通过跟踪水分子的布朗运动来
探查脑白质神经纤维的走向。DTI的指标有各向异
性 (fractional anisotropy, FA) 和平均扩散率 (mean
diffusion, MD)。其中，FA可检测水分子扩散方向
的自由度，用于评估脑白质完整性；MD，或平均
表观扩散系数则反映某一个体素的扩散情况。胼胝
岑桂英，等：轻度认知障碍的早期检测与转化预测研究进展第2期 177
体的 FA降低与认知能力受损关系密切 [17]。大量研
究均发现了 AD和MCI白质完整性存在显著差异，
所涉及脑区主要有海马、额颞顶叶、扣带束 (包括
前中后 )、膝部及压部胼胝体、上下纵束和钩状束
等 [18-19]。
但因对白质的认知较少，有几个重要的问题尚
不明确：其一，白质萎缩机制、过程，以及与 AD
的关系；其二，白质与灰质之间的关系，白质变化
是灰质萎缩引起的继发病变，还是独立于灰质；其
三，白质退化和其他生物标记，如 Aβ、Tau蛋白的
关系如何；其四，能否在MCI，甚至临床前阶段观
察到白质的变化。
一些研究表明，AD前期的脑白质细微结构变
化不能完全用灰质的萎缩来解释。而且，最近研究
揭示了脑积液 (CSF)中 tau蛋白含量的上升与脑白
质细微结构变化的关系，说明 AD前期脑白质退变
与神经轴突持续受损有关。
1.3.4 BOLD-fMRI
BOLD-fMRI通过检测脑神经细胞耗氧量的变
化来探测大脑的活动状况。早期有研究主要集中于
外部刺激或执行任务时血氧水平的改变来研究神经
活动状态，通过比较任务状态和对照状态的 BOLD-
fMRI图像，确定各脑区磁共振信号强度在不同状
态的差异。大部分 Task-fMRI的研究关注的重点是
记忆能力的检测，如研究发现，在情景记忆检索任
务中，AD 患者的内侧颞叶、顶叶激活显著降低 [20-21]。
Remy等 [22]综合分析了结构与功能MR图像，发现
AD患者不仅在内侧颞叶、顶下小叶和颞上相关皮
层出现萎缩，而且在编码和识别任务中，其激活显
著降低，且这些重要脑区在识别任务所激发的活动
与海马灰质体积正相关。
有关 BOLD-fMRI的另一个研究热点——静息
态 fMRI(resting state fMRI, rs-fMRI)， 源 于 Biswal
等 [23]对静息态 BOLD 信号中的低频成分 (<0.1 Hz)的
分析与发现：人左右脑感觉运动皮层自发的 BOLD
信号低频起伏波动 (spontaneous low frequency fluctuations,
SLFF)存在显著的相关性。随后，人们在语言、视觉、
听觉皮层的 BOLD信号中，也有类似的发现。这种
相关性被认为是静息状态下大脑皮层间存在功能连
接的一个证据。
1.3.5 AD的脑连接组学研究
近年来，脑连接组学成为神经影像学领域的热
点。神经纤维之间的连接与通讯是保持神经系统的
结构稳定与信息传递、交互与响应的基础。利用图
论构建脑结构和功能网络，从整个人脑系统的结构
完整性和功能协调性角度，考察各脑区之间的连接
与信息传递通路，为研究脑认知能力的变化、阐明
神经退行性病变的致病机制，提供一种新的手段。
Delbeuck等 [24]根据 AD的神经病理学、神经
生理学与神经影像学的研究结果，提出一种脑功能
与结构的“失连接”的假说，以解释脑区之间的连
接与认知能力的关系，说明 AD源于功能脑区之间
的连接受损。其后，一些学者纷纷开始了此方面的
深入研究，包括结构MRI网络、DTI网络和 fMRI
网络等，从不同的角度分析 AD患者脑结构与脑功
能网络的特性。
2008年，He等 [25]利用MR图像计算皮层厚度，
首次构建了 AD患者的脑结构网络。他们对网络的
定性与定量研究发现，与正常对照组相比较，AD
患者在大脑局部脑区、脑区之间的连接、全脑的结
构与功能的分化和整合、网络性能参数 (小世界属
性、集群系数、最小路径长度 )等均存在异常，且
网络核心节点的抗攻击能力亦较弱 [26-27]。Yao等 [28]
建立了基于脑皮层体积的脑结构网络，通过比较
AD、MCI和 NC (正常对照 )3组人群的脑网络特性，
也发现 AD脑结网络的集群系数和最短路径长度都
显著增大。而MCI的集群系数和最短路径长度介
于 AD和 NC之间，且 AD和MCI的核心节点 (Hub)
也发生变化。
近几年，有关MCI、AD患者 rs-fMRI的研究
增长十分迅速，主要聚焦于局部一致性 (regional
homogeneity, ReHo)、低频振幅 (amplitude of low-
frequency fluctuation, ALFF)与功能网络 3个方面。
Wang等 [29]比较记忆力较强与较弱两组患者在
情景记忆编码任务状态中的 ALFF值，发现记忆力
较强组的内侧颞叶 (主要包括海马旁回和前颞叶 )
的 ReHo比率明显较大。He等 [30]发现，AD患者
后扣带回、楔前叶的 ReHo值比正常对照组低，但
AD患者的双侧楔叶、左舌回与右梭状回的 SLFF
一致性上升，可归因于 AD患者局部脑区的功能补
偿机制。
龙淼淼等 [31]考察了 AD患者 ALFF和分数低
频振幅 (fALFF)图像，发现 AD患者颞叶静息态脑
功能活动增强，尤以左侧颞叶更为显著，且与
MMSE评分呈正相关。赵彬等 [32]的研究表明，AD
的右侧海马、海马旁回、左额下回、双侧小脑后叶
等 ALFF显著升高，说明记忆、执行功能和注意力
受损；而后扣带回、楔前叶、左侧丘脑的 ALFF降低，
生命科学 第27卷178
说明默认网络部分核心脑区的功能退化。Liang等 [33]
也有类似发现，他们还比较了 NC、早期 MCI
(EMCI)、晚期MCI (LMCI)与 AD组中人群 rs-fMRI
影像中的 ALFF，在默认网络核心脑区，其值依
NC>EMCI>LMCI>AD 顺序近似线性减少，而海
马旁回的 ALFF值的变化完全相反 NC
遗忘型的MCI和 NC组进行了比较，发现多区域遗
忘型的 MCI患者在楔前叶、后扣带回的 ALFF显
著减少，而前扣带回、海马旁回和海马的 ALFF值
增加。
对静息态 fMRI脑功能网络的研究，主要利用
图论方法，研究网络的节点、模块、最小路径长度、
聚类系数、全局效率与局部效率、小世界属性、抗
攻击能力等特性。2005 年，Salvador 等 [35]首次建
立了 rs-fMRI人脑全脑的功能网络，分析结果表明，
脑功能网络具有高效的“小世界”连接模式。He
等 [36]发现了 rs-fMRI网络的模块性和稳定性。通过
对网络节点、模块及其连接特性的分析，一些研究
发现了人脑功能默认网络脑区，包括内侧前额叶皮
层、扣带回前部、后扣带回与楔前叶及两侧顶下小
叶等，是执行大脑控制、记忆、情绪等认知功能的
核心区域。大量研究发现，阿尔茨海默症、孤独症、
精神分裂症和癫痫等的精神类疾病均与这些核心脑
区的结构和功能密切相关。
2 AD的分类与转化预测
对 AD致病机理与转化过程的研究，旨在寻求
敏感的生物标记物，增加认知能力异常的早期阶段
的检出率，进行及时预防和实现有效诊治。
近年来，有关 AD的分类与转化状况预测方面
的研究，呈现快速增加的趋势。在横向比较与分类
方面，重点在于区分 NC、MCI与 AD[37-38]；在纵向
跟踪分析与预测方面，包括比较正常老化过程与 AD
病变过程 [39]，转化型MCI与非转化型MCI[40]，MCI
转化为 AD、稳定型MCI与恢复正常的水平 [41-42]。
AD的分类与转化预测，其关键在于敏感特征
的提取与有效的模式分类方法。如前所述，AD的
特征包括神经成像特性、生化标记物与临床认知能
力评分三类，如脑脊液 (CSF)生物标记物淀粉样蛋
白 β浓度测定 [43-45]、PIB -PET发现淀粉样蛋白 β的
沉积 [11]、FDG-PET检测 CSF中 tau蛋白浓度 [46]。
MR T1W和 DTI分别可用于检测淀粉样蛋白沉积所
致的灰质退化与神经元缺失造成的白质萎缩。Fan
等 [47]根据结构 MR影像中脑萎缩的程度来预测
MCI转化为AD的可能性，准确率达 87%。Costafreda
等 [48]则重点对海马区 3D形态学特征进行分析，预
测一年之内由 MCI转化为 AD的准确率为 80%。
利用 DTI中白质神经束完整性信息也可以预测MCI
患者的转化情况，准确率可达 98.4% [49]。而认知能
力评分MMSE与 CDR，是筛查被试者是否存在认
知能力障碍的重要依据，适用于出现临床症状的
MCI、AD患者。
因MCI、AD是一个持续进展的过程，不同层
次或类型的特征，对不同阶段患者脑部异常的敏感
性存在差异，反映的信息亦不同，将不同模态的特
征相结合，可充分利用各自的优势，以实现MCI、
AD的分类或预测其进展。如通过结构MRI和 PET
影像特征的融合，可以准确地区分MCI与正常人，
而仅利用结构 MRI只能达到 87%的准确率 [50]。
Dukart等 [51]利用结构 MRI和 PET相结合，区分
AD型痴呆与额颞叶退化型痴呆的准确率为 91.7%。
Cui等 [52]结合 MRI、CSF和神经心理学测评来预
测两年内的MCI的转化情况，准确率为 67.13%(敏
感性 96.43%、特异性 48.28%)，高于其中任何单模
态特征的性能。在结合MRI、CSF、PET的研究中，
Westman等 [53]发现转化型MCI与非转化型MCI的
分类准确率因观察期的不同而相异，从 68.0%到
82.9%。
模式分类算法主要包括两大类：统计方法与机
器学习方法。常用的统计方法有朴素贝叶斯算法、
K最近邻值法、线性判别式法、二次判别式法及贝
叶斯网络等。机器学习方法则包含决策树算法、支
持向量机、人工神经网络等 [54]。
Chen等 [55]系统地比较了 7种分类算法 (判别
式分析、逻辑回归、朴素贝叶斯、贝叶斯网络、决
策树、支持向量机和多层感知器 )在诊断早期轻度
认知障碍方面的效果，发现贝叶斯网络和支持向量
机的区分能力高于判别式分析和逻辑回归，且前两
者的错误率也只有后两者的一半。Plant等 [56]则比
较了支持向量机、贝叶斯分类器与特征间隔投票方
法对于 AD预测的效果：在区分正常人和 AD方面，
贝叶斯分类器、支持向量机、特征间隔投票分别获
得 92%、90%与 78%的分类准确率；在MCI转化
预测方面，三者的准确率依次为 91.67%、95.83%
和 95.83%，支持向量机的综合性能最优。
岑桂英，等：轻度认知障碍的早期检测与转化预测研究进展第2期 179
3 结论与展望
近年来，有关阿尔茨海默症的发病机理、早期
标记物检测、MCI的转化机制和转化状况预测等重
要问题的研究取得一定进展。其一，在阿尔茨海默
症的发病机理方面，Aβ沉积、tau 蛋白异常修饰学
说最为大多数人所接受，许多研究者在此基础上，
继续深入地进行研究。其二，在MCI早期标记物
检测方面，Aβ、tau 蛋白等生物标记物具有较强的
敏感性，神经影像技术能揭示早、中期认知障碍患
者的脑结构与脑功能异常，临床认知能力评分适用
于出现临床症状患者的筛查。按MCI/AD的进程，
其检出敏感性顺序依次为：Aβ淀粉样蛋白 >tau 蛋
白 >功能影像 >结构影像 >认知能力评分。其三，
神经影像特征、生化标记物与临床认知能力评分是
判别MCI/AD的重要依据，以这三类特征为基础，
利用模式分类方法，可有效区分正常老年人、MCI
和 AD。
在微观层次上，关于脑神经的分子生物学研究，
即在蛋白与基因水平的深入探索，是阐明阿尔茨海
默症的发病机制、过程与规律的核心，亦是早期检
测MCI/AD的关键，也将为MCI/AD的防治提供重
要依据；在中观层次上，神经影像技术的应用与发
展，尤其是功能影像、脑功能组学的探索，能在体
素与功能脑区水平上揭示MCI/AD患者脑功能和脑
网络的异常，将进一步推动MCI/AD的研究与临床
应用；在宏观层次上，近年来兴起的脑功能组学，
通过考察局部脑区与全脑之间的连接状况，对脑网
络进行定性与定量分析，如网络效率、最小路径长
度、小世界属性、稳定性与中心节点等，为从脑网
络系统的角度分析MCI/AD开辟了新的途径；此外，
建立具有较强适应性的模式分类模型，综合生化标
记物、神经影像特征与神经心理学特征，对MCI/
AD进行准确分类，并建立MCI的动态跟踪模型，
实现MCI发展状况的有效预测，为 MCI/AD的防
治提供有效依据，是MCI/AD研究的重要目标。
[参 考 文 献]
[1] Mattson MP. Pathways towards and away from Alzhei-
mers disease. Nature, 2004, 430(7000): 631-9
[2] Hardy J, Selkoe DJ. The amyloid hypothesis of Alzhei-
mers disease: progress and problems on the road to thera-
peutics. Science, 2002, 297(5580): 353-6
[3] Alzheimers Association. New criteria and guidelines for
the diagnosis of Alzheimers disease published for the first
time in 27 years [EB/OL] 2011, http://www.alz.org/re-
search/diagnostic_criteria/
[4] Lewczuk P, Esselmann H, Bibl M, et al. Tau protein phos-
phorylated at threonine 181 in CSF as a neurochemical
biomarker in Alzheimers disease: original data and review
of the literature. J Mol Neurosci, 2004, 23(1-2): 115-22
[5] Tarawneh R, Lee JM, Ladenson JH, et al. CSF VILIP-1
predicts rates of cognitive decline in early Alzheimer dis-
ease. Neurology, 2012, 78(10): 709-19
[6] Hansson O, Zetterberg H, Buchhave P, et al. Association
between CSF biomarkers and incipient Alzheimers dis-
ease in patients with mild cognitive impairment: a fol-
low-up study. Lancet Neurol, 2006, 5(3): 228-34
[7] Hansson O, Zetterberg H, Buchhave P, et al. Prediction of
Alzheimers disease using the CSF Aβ42/Aβ40 ratio in pa-
tients with mild cognitive impairment. Dement Geriatr
Cogn Disord, 2007, 23(5): 316-20
[8] Vos SJ, Xiong C, Visser PJ. Preclinical Alzheimers dis-
ease and its outcome: a longitudinal cohort study. Lancet
Neurol, 2013, 12(10): 957-65
[9] Nobili F, Morbelli S. FDG-PET as a biomarker for early
Alzheimers disease. Open Nucl Med J, 2010, 2: 46-52
[10] Xiong KL, Yang QW, Gong SG, et al. The role of positron
emission tomography imaging of β-amyloid in patients
with Alzheimers disease. Nucl Med Commun, 2010,
31(1): 4-11
[11] Klunk WE, Engler H, Nordberg A, et al. Imaging brain
amyloid in Alzheimer s disease with pi t tsburgh
compound-B. Ann Neurol, 2004, 55(3): 306-19
[12] Jack C, Lowe V, Senjem M, et al. C-11 PiB and structural
MRI provide complementary information in imaging of
AD and amnestic MCI. Neurology, 2008, 70(11): A418
[13] Villemagne VL, Ong K, Mulligan RS, et al. Amyloid im-
aging with (18)F-florbetaben in Alzheimer disease and
other dementias. J Nucl Med, 2011, 52(8): 1210-17
[14] Gorriz JM, Ramirez J, Chaves R, et al. Machine learning
for very early Alzheimers disease diagnosis; a 18F-FDG
and PiB PET comparison(C). IEEE Conf. Nuclear Science
Symposium Conference Record (NSS/MIC), Knoxville,
Tennessee, USA, 2010
[15] Chetelat G, Landeau B, Eustache F, et al. Using vox-
el-based morphometry to map the structural changes asso-
ciated with rapid conversion in MCI: a longitudinal MRI
study. Neuroimage, 2005, 27(4): 934-46
[16] 吴晓宁. 基于阿尔茨海默病的大脑皮层厚度网络的研
究[D]. 兰州: 兰州大学, 2013
[17] Zhang L, Chang RC, Chu LW, et al. Current neuroimaging
techniques in Alzheimers disease and applications in ani-
mal models. Am J Nucl Med Mol Imaging, 2012, 2(3):
386-404
[18] Zhang Y, Schuff N, Du AT, et al. White matter damage in
frontotemporal dementia and Alzheimers disease mea-
sured by diffusion MRI. Brain, 2009, 132(9): 2579-92
[19] Damoiseaux JS, Smith SM, Witter MP, et al. White matter
tract integrity in aging and Alzheimers disease. Hum
Brain Mapp, 2009, 30(4): 1051-9
[20] Machulda MM, Ward HA, Borowski B, et al. Comparison
of memory fMRI response among normal, MCI, and Alz-
生命科学 第27卷180
heimers patients. Neurology, 2003, 61(4): 500-6
[21] Sperling RA, Bates JF, Chua EF, et al. fMRI studies of as-
sociative encoding in young and elderly controls and mild
Alzheimers disease. J Neurol Neurosurg Psychiatry, 2003,
74(1): 44-50
[22] Remy F, Mirrashed F, Campbell B, et al. Verbal episodic
memory impairment in Alzheimers disease: a combined
structural and functional MRI study. Neuroimage, 2005,
25(1): 253-66
[23] Biswal B, Yetkin FZ, Haughton VM, et al. Functional con-
nectivity in the motor cortex of resting human brain using
echo-planar MRI. Magn Reson Med, 1995, 34(4): 537-41
[24] Delbeuck X, Van der Linden M, Collette F. Alzheimers
disease as a disconnection syndrome, Neuropsychol Rev,
2003, 13(2): 79-92
[25] He Y, Chen Z, Evans A. Structural insights into aberrant
topological patterns of large-scale cortical networks in
Alzheimers disease. J Neurosci, 2008, 28: 4756-66
[26] He Y, Chen Z, Gong G, et al. Neuronal networks in Alz-
heimers disease. Neuroscientist, 2009, 15(4): 333-50
[27] Xie T, He Y. Mapping the Alzheimers brain with connec-
tomics. Front Psychiatry, 2012, 2: 77
[28] Yao Z, Zhang Y, Lin L, et al. Abnormal cortical networks
in mild cognitive impairment and Alzheimers disease.
PLoS Comput Biol, 2010, 6(11): e1001006
[29] Wang DY, Liu DQ, Li SF, et al. Increased local synchroni-
zation of resting-state fMRI signal after episodic memory
encoding reflects off-line memory consolidation. Neurore-
port, 2012, 23(15): 873-8
[30] He Y, Wang L, Zang YF, et al. Regional coherence chang-
es in the early stages of Alzheimers disease: a combined
structural and resting-state functional MRI study. Neuro-
image, 2007, 35(2): 488-500
[31] 龙淼淼, 倪红艳, 冯杰, 等. 采用MR低频振幅图像和低
频振幅分数图像观察阿尔茨海默病患者静息态脑功能
改变. 中华放射学杂志, 2013, 47(1): 44-8
[32] 赵彬, 商秀丽, 何志义, 等. 阿尔茨海默病的静息态功能
磁共振成像低频振幅研究. 中国医科大学学报, 2012,
41(4): 329-32
[33] Liang P, Xiang J, Liang H, et al. Altered amplitude of low-
frequency fluctuations in early and late mild cognitive
impairment and Alzheimers disease. Curr Alzheimer Res,
2014, 11(4): 389-98
[34] Li X, Cao M, Zhang J, et al. Structural and functional
brain changes in the default mode network in subtypes of
amnestic mild cognitive impairment. J Geriatr Psychiatry
Neurol, 2014, 27(3): 188-98
[35] Salvador R, Suckling J, Coleman MR, et al. Neurophysio-
logical architecture of functional magnetic resonance im-
ages of human brain. Cerebral Cortex, 2005, 15(9): 1332-
42
[36] He Y, Wang J, Wang L, et al. Uncovering intrinsic modu-
lar organization of spontaneous brain activity in humans.
PLoS One, 2009, 4(4): e5226
[37] Davatzikos C, Resnick SM, Wu X, et al. Individual patient
diagnosis of AD and FTD via high-dimensional pattern
classification of MRI. Neuroimage, 2008, 41(4): 1220-7
[38] Davatzikos C, Fan Y, Wu X, et al. Detection of prodromal
Alzheimers disease via pattern classification of magnetic
resonance imaging. Neurobiol Aging, 2008, 29(4): 514-23
[39] Davatzikos C, Xu F, An Y, et al. Longitudinal progression
of Alzheimers-like patterns of atrophy in normal older
adults: the SPARE-AD index. Brain, 2009, 132(Pt 8):
2026-35
[40] Davatzikos C, Bhatt P, Shaw LM, et al. Prediction of MCI
to AD conversion, via MRI, CSF biomarkers, and pattern
classification. Neurobiol Aging, 2011, 32(12): 2322 e19-
27
[41] Gauthier S, Reisberg B, Zaudig M, et al. Mild cognitive
impairment. Lancet, 2006, 367(9518): 1262-7
[42] Petersen RC, Roberts RO, Knopman DS, et al. Mild cog-
nitive impairment: ten years later. Arch Neurol, 2009,
66(12): 1447-55
[43] Hampel H, Burger K, Teipel SJ, et al. Core candidate neu-
rochemical and imaging biomarkers of Alzheimers dis-
ease. Alzheimers Dement, 2008, 4(1): 38-48
[44] Hampel H, Frank R, Broich K, et al. Biomarkers for Alz-
heimers disease: academic, industry and regulatory per-
spectives. Nat Rev Drug Discov, 2010, 9(7): 560-74
[45] Hampel H, Lista S, Khachaturian ZS. Development of
biomarkers to chart all Alzheimer’s disease stages:
the royal road to cutting the therapeutic Gordian knot.
Alzheimers Dementia, 2012, 8(4): 312-36
[46] Landau SM, Harvey D, Madison CM, et al. Associations
between cognitive, functional, and FDG-PET measures of
decline in AD and MCI. Neurobiol Aging, 2011, 32(7):
1207-18
[47] Fan Y, Batmanghelich N, Clark CM, et al. Spatial patterns
of brain atrophy in MCI patients, identified via high-di-
mensional pattern classification, predict subsequent cogni-
tive decline. Neuroimage, 2008, 39(4): 1731-43
[48] Costafreda SG, Dinov ID, Tu Z, et al. Automated hippo-
campal shape analysis predicts the onset of dementia in
mild cognitive impairment. Neuroimage, 2011, 56(1):
212-9
[49] Haller S, Nguyen D, Rodriguez C, et al. Individual
prediction of cognitive decline in mild cognitive
impairment using support vector machine-based analysis
of diffusion tensor imaging data. J Alzheimers Dis, 2010,
22(1): 315-27
[50] Fan Y, Resnick SM, Wu X, et al. Structural and functional
biomarkers of prodromal Alzheimers disease: a high-di-
mensional pattern classification study. Neuroimage, 2008,
41(2): 277-85
[51] Dukart J, Mueller K, Horstmann A, et al. Combined eval-
uation of FDG-PET and MRI improves detection and dif-
ferentiation of dementia. PLoS One, 2011, 6(3): e18111
[52] Cui Y, Liu B, Luo S, et al. Identification of conversion
from mild cognitive impairment to Alzheimers disease
using multivariate predictors. PLoS One, 2011, 6(7):
e21896
[53] Westman E, Muehlboeck JS, Simmons A. Combining
MRI and CSF measures for classification of Alzheimers
disease and prediction of mild cognitive impairment con-
岑桂英，等：轻度认知障碍的早期检测与转化预测研究进展第2期 181
version. NeuroImage, 2012, 62(1): 229-38
[54] Lemm S, Blankertz B, Dickhaus T, et al. Introduction to
machine learning for brain imaging, Neuroimage, 2011,
56(2): 387-99
[55] Chen R, Herskovits EH. Machine-learning techniques for
building a diagnostic model for very mild dementia. Neu-
roimage, 2010, 52(1): 234-44
[56] Plant C, Teipel SJ, Oswald A, et al. Automated detection
of brain atrophy patterns based on MRI for the prediction
of Alzheimers disease. Neuroimage, 2010, 50(1): 162-74