夜雨聆风抽一管血，就能同时评估阿尔茨海默病、帕金森病、渐冻症等多种脑病风险——这不是科幻，而是《自然·医学》刚刚发表的研究。
一、痴呆症诊断有多难？
即使在顶级记忆门诊，误诊率也有25%-30%。更麻烦的是，70%的80岁以上老人脑中同时存在多种病变。现有检查要么靠腰椎穿刺（疼），要么做PET（贵），难以普及。
二、AI+蛋白质组学，怎么破局
科学家建立了一个包含1.7万人的血液蛋白质数据库，用深度学习模型ProtAIDe-Dx同时预测6种疾病概率（阿尔茨海默病、帕金森病、渐冻症、额颞叶痴呆、中风、认知正常）。模型只靠血液中的蛋白质信息，不用年龄、性别等临床数据。
三、效果怎么样？
渐冻症：95% 准确率
帕金森病：92%
阿尔茨海默病：81%
模型给出的“患病概率”与基因（APOEε4）、认知评分等高度相关，说明确实抓住了疾病本质。
四、意外收获：AI发现了“隐藏的共病”把6个概率画成一张“诊断地图”，发现每个病内部还有不同亚群：
部分AD患者蛋白质特征偏向中风区，临床上也确实更多血管风险
部分渐冻症患者偏向额颞叶痴呆区，且携带相关基因突变
少数“健康人”落在AD和中风之间，提示可能已有早期病理
这说明模型不只是背诊断标签，而是真正读懂血液里的生物学信号。
五、在真实记忆门诊中表现如何？用一个独立队列验证：
模型概率与PET、脑脊液等金标准显著相关
把AI结果加到现有临床指标（认知评分、脑皮层厚度、血浆p-tau217等）里，诊断准确率明显提升，尤其对非AD痴呆改善最大。
六、不仅能诊断，还能解释研究还做了个性化报告样例：
展示6种疾病的概率
指出对本次诊断贡献最大的蛋白质（前十名正/负贡献）
关联这些蛋白质对应的健康特征（血压、血脂等）
一位主诉“记性变差”但客观认知正常的老人，模型预测他同时有阿尔茨海默病+路易体病理。后续PET和脑脊液检查全部证实——AI看到了临床初诊忽略的问题。
七、缺点呢？当然有
对额颞叶痴呆和中风准确率只有70%左右，还不能独立使用
不同医院的检测批次差异会影响结果
药物可能干扰蛋白质信号
总结目前它还不能替代医生，但可以作为低成本的筛查和决策助手：→ 一管血初步评估多种脑病风险，筛选需要做昂贵检查的人→ 提示可能被忽略的共病→ 解释哪些蛋白质驱动了诊断，为治疗或生活方式干预提供线索
未来，也许每年体检抽一管血，就能像查血脂一样知道大脑健康状况。科学的进步，就是把“不可能”一点点变成“可能”。
参考文献：Lijun A, Alexa P B, Ines H, et al. A Deep Joint-Learning Proteomics Model for Diagnosis of Six Conditions Associated with Dementia[J], Nature Medicine, 2026