2026年4月23日，北京师范大学认知神经科学与学习国家重点实验室张占军教授领衔的北京老年脑健康促进计划（Beijing Aging Brain Rejuvenation Initiative， BABRI）团队在 Nature 子刊《npj Digital Medicine》（IF=15.1）在线发表题为“Decoupling MCI-Specific Signatures from Shared Neurobiological Substrates of Cognitive Aging via Deep Learning”的研究论文。

该研究面向轻度认知障碍（Mild Cognitive Impairment, MCI）早期识别的核心难题：如何区分“正常衰老”带来的脑结构变化与“MCI特有”的病理性改变。团队提出一种基于条件变分自编码器（Conditional Variational Autoencoder, CVAE）的深度学习框架，从结构磁共振影像中识别出MCI特异性脑结构特征，并进一步构建个体化阿尔茨海默病（Alzheimer's Disease, AD）转化风险评分。研究发现，MCI特异性改变主要涉及小脑、颞叶、额叶、中内侧颞叶和边缘系统等脑区，并与情节记忆、注意力和执行功能损伤密切相关。基于这些特征建立的风险模型在预测MCI向AD转化方面表现优异，为MCI早期识别和个体化干预提供了新的影像学依据。

生成式AI框架识别MCI特异性脑结构特征

团队提出基于条件变分自编码器（CVAE）的深度学习框架，从结构磁共振影像中自动区分正常衰老相关变化与MCI特异性脑结构改变。不同于传统监督学习方法依赖预设脑区或人工特征选择，该框架可在潜在空间中分离疾病相关结构特征，为MCI影像标志物发现提供新的数据驱动方法。

发现小脑等非经典脑区与MCI认知损伤密切相关

研究发现，MCI特异性结构改变不仅出现在中内侧颞叶、额叶和边缘系统等经典阿尔茨海默病相关区域，也稳定涉及小脑，尤其是lobule VI、crus I和crus II等区域。这些脑结构特征与情节记忆、注意力和执行功能损伤显著相关，提示小脑可能通过脑-小脑环路参与MCI核心认知障碍。

个体化风险评分提升AD转化预测能力

基于MCI特异性脑结构萎缩模式，团队构建了个体化AD转化风险评分。该评分在纵向队列中表现出稳定预测能力，优于全脑萎缩指标和经典脑脊液生物标志物，为MCI患者早期风险评估和个体化干预提供了新的影像学工具。

该论文的第一作者为在读博士生彭璧莹，通讯作者为张占军教授、刘冰教授、陈姚静副教授。研究工作得到科技创新2030-“脑科学与类脑研究”重大项目、国家重点研发计划、北京市科技新星计划等项目的支持。

原文链接：

Peng, B., Du, L., Dang, M. et al. Decoupling MCI-specific signatures from shared neurobiological substrates of cognitive aging via deep learning. npj Digit. Med. (2026). https://doi.org/10.1038/s41746-026-02597-3

https://www.nature.com/articles/s41746-026-02597-3