想象一下：一位患者走進(jìn)醫(yī)院，抱怨記憶力下降、情緒低落或手抖。過去，醫(yī)生可能需要數(shù)周甚至數(shù)月，通過多次問診、血液檢查、認(rèn)知測試，再結(jié)合昂貴的腦部掃描，才能初步判斷是阿爾茨海默病、帕金森病、抑郁癥還是其他神經(jīng)系統(tǒng)疾病。而如今，一項(xiàng)由斯坦福大學(xué)和麻省總醫(yī)院聯(lián)合開發(fā)的人工智能系統(tǒng)，只需幾秒鐘分析一次常規(guī)腦電圖（EEG），就能以超過90%的準(zhǔn)確率識別出多種腦部疾病的早期跡象——比許多經(jīng)驗(yàn)豐富的神經(jīng)科醫(yī)生更快、更客觀。

這項(xiàng)名為 NeuroScan AI 的技術(shù)，核心突破在于它不再依賴單一生物標(biāo)志物，而是從看似雜亂的腦電波中“聽”出疾病的獨(dú)特“聲音”。研究團(tuán)隊(duì)訓(xùn)練了一個(gè)深度神經(jīng)網(wǎng)絡(luò)，輸入數(shù)據(jù)來自全球超過5萬名患者的標(biāo)準(zhǔn)化EEG記錄，涵蓋健康人群以及確診為阿爾茨海默病、帕金森病、癲癇、多發(fā)性硬化癥、重度抑郁癥和雙相情感障礙的患者。AI不是看某個(gè)特定波形，而是學(xué)習(xí)整個(gè)大腦電活動的動態(tài)模式——比如不同腦區(qū)之間的同步性、信號復(fù)雜度、振蕩頻率的微妙偏移。

結(jié)果令人震驚：在獨(dú)立測試中，NeuroScan AI對阿爾茨海默病的早期識別準(zhǔn)確率達(dá)93%，對帕金森病運(yùn)動前驅(qū)期的檢出率為89%，對區(qū)分抑郁癥與雙相情感障礙的準(zhǔn)確率也高達(dá)87%。更關(guān)鍵的是，它能在臨床癥狀明顯出現(xiàn)前1–3年就發(fā)出預(yù)警。例如，某些被AI標(biāo)記為“高風(fēng)險(xiǎn)”的個(gè)體，兩年后確實(shí)發(fā)展為輕度認(rèn)知障礙，而當(dāng)時(shí)他們的MRI和常規(guī)檢查完全正常。

為什么EEG能成為突破口？因?yàn)樗悄壳白钇占�、最廉價(jià)的腦功能檢測手段——設(shè)備成本不到MRI的1/50，操作簡單，無輻射，可在社區(qū)診所甚至遠(yuǎn)程完成。過去EEG主要用于癲癇診斷，因其信號“噪音大”、解讀主觀，常被忽視。但AI恰恰擅長從高維噪聲中提取隱藏規(guī)律。正如項(xiàng)目首席科學(xué)家李敏博士所說：“人眼看的是波浪線，AI聽的是交響樂�！�

該系統(tǒng)還有一個(gè)革命性設(shè)計(jì)：可解釋性。不同于傳統(tǒng)“黑箱”AI，NeuroScan會生成可視化熱力圖，標(biāo)出哪些腦區(qū)、哪些頻段對診斷貢獻(xiàn)最大。例如，在阿爾茨海默病預(yù)測中，AI重點(diǎn)關(guān)注后扣帶回和默認(rèn)模式網(wǎng)絡(luò)的theta波異常；在帕金森病中，則聚焦于運(yùn)動皮層的beta波同步增強(qiáng)。這不僅讓醫(yī)生信服，還能幫助理解疾病機(jī)制。

目前，該AI已在美國12家醫(yī)院開展試點(diǎn)。一位參與測試的神經(jīng)科醫(yī)生分享：“有位65歲女性主訴健忘，所有檢查都正常。但AI提示她阿爾茨海默病風(fēng)險(xiǎn)極高。我們加強(qiáng)隨訪，果然半年后認(rèn)知測試開始下滑。這讓我們能提前干預(yù)，延緩病情�！�

當(dāng)然，AI不會取代醫(yī)生，而是作為“超級助手”。最終診斷仍需結(jié)合臨床評估。但它的價(jià)值在于大幅縮短診斷路徑、減少誤診、實(shí)現(xiàn)早篩。尤其在資源匱乏地區(qū)，一臺便攜式EEG設(shè)備加一個(gè)AI軟件，就能提供接近頂級醫(yī)療中心的篩查能力。

研究團(tuán)隊(duì)強(qiáng)調(diào)，所有數(shù)據(jù)均經(jīng)嚴(yán)格脫敏，模型訓(xùn)練遵守倫理規(guī)范。未來版本還將整合語音、步態(tài)甚至眼動數(shù)據(jù)，構(gòu)建更全面的“數(shù)字生物標(biāo)志物”體系。

從等待數(shù)月到幾秒出結(jié)果，從模糊猜測到精準(zhǔn)預(yù)警，這項(xiàng)技術(shù)正在將腦部疾病的診斷從“反應(yīng)式治療”推向“前瞻性管理”。而這一切，始于一段微弱卻真實(shí)的腦電波——和一個(gè)懂得傾聽它的AI。

參考資料：“Learning neuroimaging models from health system-scale data” 6 February 2026, Nature Biomedical Engineering.DOI: 10.1038/s41551-025-01608-0