深度解析医学证据，lxfs.net为你支撑决策
摘要
近年来，人工智能（AI）技术在医学领域快速发展，并逐渐应用于神经系统疾病的、治疗决策和长期管理。神经系统疾病通常具有病因复杂、临床表现异质性强、信息来源多样及全病程管理需求高等特点，传统诊疗模式在早期识别、风险预测、预后评估和个体化管理方面仍存在一定局限。机器学习、深度学习、多模态融合模型及大语言模型等AI技术，可整合医学影像、脑电信号、临床资料、实验室指标、病理及分子检测、组学数据和可穿戴设备信息，在脑卒中急诊影像识别与预后预测、癫痫脑电分析与发作监测、认知障碍早期与进展预测、帕金森病运动症状量化与长期管理、脑肿瘤病灶分割与分子标志物预测，以及神经性疾病辅助鉴别和风险评估等方面显示出应用潜力。与此同时，AI在神经系统疾病中的临床转化仍面临数据质量和标准化不足、外部验证有限、模型泛化能力和可解释性不足、伦理监管及责任边界尚不清晰等问题。本文围绕AI在主要神经系统疾病中的研究进展及应用价值进行述评，并分析当前挑战与未来发展方向，以期为神经系统疾病智能化诊疗和人机协同管理提供参考。
关键词：人工智能；神经系统疾病；精准诊疗；辅助诊断；风险预测；临床决策支持
Key words：Artificial intelligence；Neurological disorder；Precision diagnosis and treatment；Auxiliary diagnosis；Risk prediction；Clinical decision support
神经系统疾病涵盖脑卒中、癫痫、认知障碍、帕金森病、脑肿瘤及神经免疫性疾病等多种类型，通常具有病因复杂、临床表现多样、病程异质性强、致残率较高和长期管理需求突出等特点。随着人口老龄化加速和慢性病负担增加，神经系统疾病所造成的医疗、照护和社会负担日益加重[1]。提高早期识别能力、提升诊断准确性、优化预后评估并加强全病程管理，已成为神经系统疾病诊疗中的重要问题。神经系统疾病的诊断和管理高度依赖多源信息整合。临床医生需结合病史、神经系统查体、影像学检查、脑电图、实验室指标、脑脊液检查、神经心理量表以及病理和分子检测等资料进行综合判断。然而，不同疾病之间症状可相互重叠，部分疾病早期表现隐匿或缺乏特异性，传统依赖人工判读和经验判断的诊疗模式在效率、标准化和个体化预测方面面临挑战。
人工智能（artificial intelligence，AI）是医学与计算机科学交叉融合的重要方向。近年来，AI逐渐应用于医学影像分析、疾病风险预测、辅助诊断、临床决策支持和健康管理等领域。在神经系统疾病中，AI主要依托机器学习（machine learning，ML）、深度学习（deep learning，DL）、多模态数据融合和大语言模型（large language model，LLM）等技术，从影像、脑电、生理信号、电子病历和临床指标中提取潜在特征，用于疾病识别、风险分层、预后预测和治疗决策支持[2,3]。目前，AI已在脑卒中急诊影像识别、癫痫脑电自动分析、认知障碍早期筛查、帕金森病运动症状量化、脑肿瘤病灶分割及神经免疫性疾病风险评估等方面显示出应用潜力[2,3]。但AI并不能替代临床医生，其真实世界稳定性、泛化能力、安全性和可解释性仍需进一步验证[4,5]。基于此，本文拟围绕AI在主要神经系统疾病中的研究进展、应用价值及现实挑战进行述评，以期为神经系统疾病的智能化诊疗和人机协同管理提供参考。
1 人工智能相关技术及其在神经系统疾病中的应用基础
AI并非单一技术，而是包括机器学习、深度学习、自然语言处理、多模态学习和生成式AI等在内的技术体系[2,3]。神经系统疾病涉及影像、脑电、生理信号、实验室指标、量表评分、电子病历和组学数据等多类型资料，数据结构复杂、维度较高，为AI方法应用提供了丰富场景。总体而言，AI在神经系统疾病中的作用主要体现在特征提取、模式识别、图像分割、风险预测、辅助诊断和临床决策支持等方面。
机器学习适合处理人口学特征、疾病史、实验室指标、影像定量参数、神经功能评分和治疗信息等结构化临床资料，常用于脑卒中预后预测、癫痫复发风险评估、认知障碍筛查、帕金森病进展预测、脑肿瘤生存分析和神经免疫性疾病复发风险预测等[2,3]。其优势在于能够整合多因素信息，建立个体化风险模型；但模型价值不能仅依据准确率或受试者工作特征曲线下面积（area under the curve，AUC）判断，还应结合校准度、外部验证、临床决策价值和可解释性进行综合评价[4]。SHAP（SHapley Additive exPlanations，沙普利加性解释）、LIME（Local Interpretable Model-agnostic Explanation，局部可解释模型无关解释）及变量重要性分析等方法有助于提高模型透明度，但相关解释结果并不等同于因果关系[5]。
深度学习是机器学习的重要分支，可通过多层神经网络自动提取数据特征，尤其适合处理医学影像、脑电信号、语音、视频和数字病理图像等高维非结构化数据[2,3]。卷积神经网络（convolutional neural network，CNN）常用于CT、MRI、PET和病理图像中的病灶检测、图像分割和分类诊断；循环神经网络、长短期记忆网络和Transformer模型则可用于脑电、步态、可穿戴设备信号和长期随访资料等时间序列数据。深度学习在影像识别、脑电分析、病灶分割和运动特征识别中具有应用潜力，但其通常需要较大样本量和高质量标注数据，且模型结构复杂、解释性相对不足，临床应用仍需严格的外部验证和真实世界研究支持[2,4]。
多模态人工智能（multimodal artificial intelligence）强调将具有互补价值的临床资料、影像、脑电、实验室指标、组学数据、病理图像、语言行为数据和可穿戴设备信号等进行整合。神经系统疾病本身具有高度复杂性，单一数据源往往难以完整反映疾病状态，多模态融合更符合此类疾病的诊疗特点[6]。但多模态AI也面临数据采集时间不一致、格式不同、缺失比例较高和标准化不足等问题，必须围绕具体临床场景验证其是否真正改善诊断、预测或管理效果[4,6]。
大语言模型和生成式AI可用于医学问答、病历摘要、文献总结、信息抽取、辅助写作和医患沟通等任务。神经系统疾病病程复杂，病历资料常包含长期症状演变、既往用药、影像结果、脑电报告、量表评分和多次就诊记录，大语言模型可辅助医生整理病历文本并提取关键信息。然而，其生成内容可能存在事实错误、文献编造、过度推断和遗漏关键信息等问题，若直接用于临床诊断和治疗决策，可能带来医疗安全风险。因此，大语言模型更适合作为医生监督下的信息辅助工具，而不应作为独立诊疗主体[7]。
2 人工智能在主要神经系统疾病中的应用进展
2.1 人工智能与脑卒中
脑卒中是神经系统疾病中致死率、致残率较高，社会负担较重的疾病之一，其诊疗具有明显的时间依赖性。急性缺血性脑卒中早期识别、快速影像评估和及时再灌注治疗直接影响患者预后。传统脑卒中诊疗高度依赖急诊绿色通道、影像科及神经专科医师协同，但不同医疗机构在影像判读能力、卒中中心建设和专科资源配置方面仍存在差异。AI可对CT、MRI、CT血管成像、CT灌注成像、电子病历和临床评分等多源数据进行快速分析，在脑卒中早期识别、影像辅助诊断、治疗决策支持和预后评估中显示出较高应用价值[8]。
在急性缺血性脑卒中中，AI尤其是深度学习方法可辅助识别早期缺血改变、大血管闭塞，并快速排查颅内出血，同时进行病灶分割、体积测量和影像自动预警。例如，AI可辅助计算阿尔伯塔卒中项目早期CT评分（Alberta Stroke Program Early CT Score，ASPECTS），为静脉溶栓和血管内治疗适应证判断提供参考；对于疑似大血管闭塞患者，相关系统可自动分析血管成像结果并提示卒中团队，从而缩短影像判读和通知时间，提高转诊和取栓效率[9]。针对出血性脑卒中患者，AI可用于颅内出血自动识别、血肿分割、体积估算和血肿扩大风险预测[10]。除急性期诊疗外，机器学习模型还可整合临床资料、影像特征、实验室指标和治疗信息，预测功能结局、出血转化、复发和死亡风险，并辅助二级预防和康复管理[11]。总体而言，脑卒中是AI临床应用转化相对较快的领域，但仍需加强多中心真实世界验证、模型可解释性、临床流程嵌入和患者结局改善评价等方面建设。
2.2 人工智能与癫痫
癫痫是常见的慢性神经系统疾病，其核心特征为脑神经元异常同步放电导致的反复发作。由于部分发作具有短暂性、偶发性和隐匿性，患者就诊时又常处于发作间期，临床诊断通常需要综合病史、目击者描述、视频资料、脑电图（electroencephalography，EEG）、神经影像及治疗反应等信息。对于药物难治性癫痫患者，还需进一步评估癫痫灶定位、手术适应证和术后预后。因此，癫痫诊疗具有明显的多模态、动态化和个体化特点，为AI应用提供了重要场景[12]。
EEG是癫痫诊断和分型的重要检查方法，也是AI在癫痫领域应用最集中的数据类型。长程视频脑电监测数据量大、伪迹多，人工判读耗时较长。机器学习和深度学习模型可从脑电信号中提取特征，用于识别棘波、尖波、棘慢波和发作期节律性放电等癫痫相关脑电模式，提高长程脑电筛查效率[13]。癫痫发作检测与预测也是重要方向，相关模型可基于脑电信号，或融合心率、肌电、加速度计、睡眠状态和视频监测等数据，识别已经发生的发作或尝试在发作前识别高风险状态，从而服务于发作报警、发作记录和闭环神经调控[14]。对于药物难治性癫痫，AI还可融合头皮脑电、颅内脑电、MRI、PET和临床资料，辅助癫痫灶定位和手术结局预测[12]。需要注意的是，脑电信号易受伪迹影响，癫痫样放电也不等同于临床癫痫；同时，癫痫发作个体差异明显，相关模型仍面临高质量标注数据不足、类别不平衡、泛化能力有限及责任边界不清等问题[13,14]。
2.3 人工智能与认知障碍
认知障碍是与人口老龄化密切相关的神经系统疾病，主要表现为记忆、注意、执行功能、语言、视空间能力或社会认知等认知域受损。根据严重程度不同，可表现为主观认知下降、轻度认知障碍（mild cognitive impairment，MCI）及痴呆等阶段。其中，阿尔茨海默病（Alzheimer disease，AD）是最常见的痴呆类型。由于认知障碍早期症状隐匿、进展缓慢，不同病因之间临床表现又可相互重叠，早期识别和病因鉴别一直是临床诊疗中的难点。传统诊断依赖神经心理量表、神经影像学检查、实验室检查以及脑脊液和正电子发射断层显像（positron emission tomography，PET）等生物标志物检测，但在基层医疗和社区筛查场景中仍受时间、成本和可及性限制[15]。
相关模型可整合临床资料、认知量表、MRI、PET、脑电、血液标志物、遗传信息、语言行为数据及电子病历等多源信息，为认知障碍早期筛查、辅助诊断、病因分型、进展预测和长期管理提供新的技术路径。在早期筛查和风险预测方面，机器学习模型可综合年龄、教育水平、心脑血管危险因素、睡眠、代谢指标和用药情况等信息，识别认知障碍或痴呆高风险人群；在MCI向AD进展预测方面，可进一步结合影像特征、脑脊液或血液标志物、载脂蛋白E（apolipoprotein E，ApoE）基因型等信息评估未来转化风险[16]。影像AI可从MRI和PET中提取脑萎缩、海马体积、脑白质病变、脑代谢、淀粉样蛋白沉积和tau蛋白病理负荷等特征，辅助区分正常认知、MCI和AD患者。多模态AI则可整合影像、认知量表、生物标志物、遗传信息和行为数据，更全面反映认知障碍的复杂病理过程[17]。除传统影像和生物标志物外，自然语言处理、语音分析、可穿戴设备和家庭监测设备也可为连续、生态化评估提供补充[18]。总体来看，AI在认知障碍领域的价值主要体现在早期筛查、风险分层、病因鉴别、进展预测和长期管理等方面，但相关模型仍多处于探索阶段，真实世界泛化能力、伦理风险、结果解释和临床转化仍需进一步验证。
2.4 人工智能与帕金森病
帕金森病是常见的神经系统变性疾病，主要病理基础为黑质多巴胺能神经元变性及α-突触核蛋白异常聚集，临床上以静止性震颤、运动迟缓、肌强直和姿势步态障碍为主要运动症状，也可伴有多种非运动症状。由于早期表现常不典型，且疾病进展速度、药物反应和非运动症状负担存在个体差异，传统依赖临床观察和量表评估的诊疗模式在早期识别、症状量化和长期管理方面仍有局限。AI可结合视频、语音、步态、手写轨迹、可穿戴传感器、神经影像和电子病历等多源数据，对帕金森病进行连续、客观和精细化评估[19]。
运动症状识别与客观量化是AI在帕金森病中的代表性应用。AI结合视频分析、加速度计、陀螺仪、压力传感器和智能手机等工具，可对震颤、运动迟缓、姿势步态障碍和冻结步态进行量化；语音、手写、面部表情和眼动等数字化行为标志物，也可用于辅助早期筛查和疾病严重程度评估[20]。AI还可通过影像特征提取和模式识别，提高帕金森病及帕金森综合征的鉴别能力，并尝试将影像、临床症状、嗅觉测试、睡眠行为障碍和遗传信息结合，构建早期识别模型。在进展预测和个体化管理方面，相关模型可整合量表评分、影像、用药反应、可穿戴设备和随访资料，辅助判断运动波动、异动症、冻结步态、跌倒、认知障碍和非运动症状负担[21]。脑深部电刺激（deep brain stimulation，DBS）治疗中，AI还可辅助靶点定位和参数优化，并推动自适应DBS和闭环调控发展[22]。总体而言，帕金森病AI更强调长期、连续、动态和真实世界场景下的疾病管理，但仍面临设备和采集流程不统一、样本量有限、长期依从性不稳定及隐私保护等问题。
2.5 人工智能与脑肿瘤
脑肿瘤是神经系统疾病中诊疗复杂度较高的一类疾病，其中胶质瘤是成人常见的原发性恶性脑肿瘤。随着中枢神经系统肿瘤分类体系不断更新，异柠檬酸脱氢酶（isocitrate dehydrogenase，IDH）基因突变、1p/19q共缺失、MGMT启动子甲基化等分子标志物在胶质瘤诊断分型、治疗选择和预后判断中的作用日益突出。脑肿瘤诊疗已从单纯组织形态学诊断逐渐转向整合影像、病理、分子和临床信息的综合精准诊疗模式，也为AI应用提供了典型的多模态场景[23]。
脑肿瘤AI应用主要集中于影像自动分割、影像组学、分子标志物预测、数字病理分析、治疗反应评估和预后预测等方面。影像自动分割是较成熟的应用方向，深度学习模型可基于多序列MRI自动识别肿瘤区域，并区分增强肿瘤、非增强肿瘤、坏死区和瘤周水肿等不同组织成分，为肿瘤体积测量、纵向随访、术前规划和放疗靶区勾画提供辅助[24]。影像组学和放射基因组学可从医学影像中提取纹理、形状、边界、强化模式和空间异质性等定量特征，用于判断肿瘤性质、生物学行为和分子特征。AI模型可基于多参数MRI预测IDH突变、1p/19q共缺失、MGMT启动子甲基化和TERT启动子突变等分子信息，为术前判断肿瘤生物学行为、选择活检区域和初步治疗决策提供参考[25]。但影像预测结果仍不能替代组织病理和分子检测。数字病理分析同样具有潜力，病理AI可用于肿瘤区域识别、细胞形态分析、肿瘤分级及分子特征预测[26]。治疗后随访方面，AI可辅助鉴别真实进展、假性进展和放射性坏死，并预测生存期、复发风险和治疗获益[27]。但现有研究仍存在回顾性和公开数据集研究较多、外部验证不足、不同中心影像和病理流程差异较大、肿瘤异质性明显等问题，临床应用仍需谨慎推进。
2.6 人工智能与神经免疫疾病
神经免疫疾病是一类由免疫介导的中枢或周围神经系统疾病，主要包括多发性硬化（multiple sclerosis，MS）、视神经脊髓炎谱系疾病（neuromyelitis optica spectrum disorders，NMOSD）、髓鞘少突胶质细胞糖蛋白抗体相关疾病（myelin oligodendrocyte glycoprotein antibody-associated disease，MOGAD）和自身免疫性脑炎（autoimmune encephalitis，AE）等。此类疾病临床表现复杂，不同疾病之间症状和影像表现可相互重叠，部分患者早期抗体检测阴性或辅助检查不典型，早期识别和鉴别诊断仍具有较大挑战。与脑卒中、癫痫和脑肿瘤相比，AI在神经免疫疾病中的研究起步相对较晚，但此类疾病诊疗高度依赖MRI、脑脊液、血清抗体、脑电图、诱发电位、免疫指标和治疗反应等多源资料，较适合多模态AI探索[28]。
在MS中，AI主要用于MRI病灶自动识别、病灶负荷定量、脑萎缩测量和疾病活动性评估，推动MS监测由定性描述向定量评估转变。若进一步结合血清神经丝蛋白轻链、复发次数、扩展残疾状态量表评分和治疗信息，未来有望构建更具个体化特征的疾病进展预测模型。在NMOSD和MOGAD中，AI可纳入MRI特征、脊髓病灶长度、视神经受累模式、抗体状态、既往复发次数和治疗方案等变量，辅助疾病鉴别、复发风险评估和严重发作风险预测[29]。AE是神经免疫疾病中误诊风险较高的一类疾病，机器学习模型可整合临床表现、脑脊液指标、MRI异常、脑电异常、抗体类型和病程特征，辅助区分AE与感染性脑炎或其他脑病[30]；大语言模型也可用于复杂病史归纳和鉴别诊断提示，但尚不足以支持独立临床应用。总体来看，神经免疫疾病AI研究仍处于探索阶段，样本量有限、抗体检测方法和随访标准不统一、纵向数据不足等问题较为突出。未来应加强多中心、标准化、可共享数据库建设，使AI在提高识别效率、缩短诊断延迟和辅助风险评估方面发挥更实际的作用。
3 当前问题与挑战
尽管人工智能在神经系统疾病研究中显示出较大应用潜力，但从算法研究走向临床应用仍面临多方面挑战。首先，数据质量和标准化不足是限制模型可靠性的重要因素。神经系统疾病相关数据来源复杂，不同医疗机构在检查设备、采集流程、标注标准、随访时间和结局定义方面存在差异，容易导致数据异质性增加。若训练数据来源单一、样本量有限或标注质量不足，模型在外部人群中的稳定性和泛化能力将受到影响[31]。
其次，许多研究仍以回顾性、单中心或公开数据库分析为主，缺乏充分的外部验证和前瞻性真实世界研究支持。部分模型在训练集或内部验证中表现较好，但在不同地区、不同设备和不同人群中性能可能下降。对于神经系统疾病而言，患者年龄、合并症、疾病阶段、治疗方案和随访条件均可能影响模型表现。因此，仅报告准确率或AUC并不足以证明模型具有临床应用价值，还应结合校准度、决策曲线、临床阈值、实际工作流程和患者结局改善情况进行综合评价[32]。
此外，模型可解释性、临床流程整合及伦理监管仍是重要问题。神经系统疾病诊疗常涉及复杂机制和高风险决策，若模型仅给出预测结果而缺乏清晰解释，临床医生难以判断其依据，也不利于患者沟通和责任划分。虽然SHAP、LIME等方法可解释变量贡献，但这类解释并不等同于因果关系，仍需结合医学知识和临床背景审慎解读。另一方面，多模态数据虽具有互补价值，但不同数据类型在采集时间、格式、缺失比例和质量控制方面差异较大，过度追求复杂模型可能增加过拟合风险，也可能降低临床可操作性。AI模型若不能嵌入现有诊疗流程，并与医院信息系统、影像系统、脑电系统和随访平台有效衔接，即使算法性能较好，也难以真正改变临床实践[33]。最后，神经系统疾病患者中老年人、认知障碍患者和重症患者比例较高，数据使用、知情同意、隐私保护和责任边界需更加谨慎；大语言模型和生成式AI还可能产生事实错误、虚构文献或过度推断，若直接用于诊断和治疗建议，可能带来医疗安全风险[34]。
4 未来发展方向
未来，人工智能在神经系统疾病诊断中的发展应从单纯追求模型性能，逐步转向以临床问题为导向的可验证、可解释和可落地的应用。
首先，应加强高质量、多中心、标准化数据平台建设。神经系统疾病涉及影像、脑电、量表、实验室指标、病理、分子检测、随访结局和可穿戴设备数据等多维信息，单中心数据难以充分反映真实世界人群差异。未来需在统一数据标准、标注规范、质量控制和隐私保护基础上，建立覆盖不同地区、不同层级医疗机构和不同疾病阶段的专病数据库，为模型训练、外部验证和动态更新提供可靠基础[31,33]。
其次，应重视模型的可解释性、可重复性和临床有效性评价。AI模型不仅需要“预测准确”，还需要让医生理解其判断依据。未来研究应在报告AUC、准确率等指标的同时，进一步关注校准度、决策曲线、临床阈值、亚组表现和患者结局改善情况。对于用于筛查、诊断、预后预测或治疗决策支持的模型，还应开展外部验证、前瞻性研究和真实世界评估，明确其是否能够提高诊疗效率、减少漏诊误诊、优化资源配置或改善患者预后[32,35]。
最后，应推动多模态融合向具体临床场景落地。多模态融合不应简单堆叠数据类型，而应根据不同场景选择具有互补价值的信息。例如，急性脑卒中更强调影像和时间窗信息的快速整合，癫痫更需要脑电、影像和发作资料协同分析，认知障碍需结合认知量表、影像和生物标志物，脑肿瘤更适合影像-病理-分子-临床融合。未来AI不应停留在独立算法或研究平台中，而应嵌入医院信息系统、影像系统、脑电系统、随访平台和移动健康工具中，成为临床工作流程的一部分。在医生主导、患者获益和安全可控的前提下，AI有望提升急诊预警、基层筛查、慢病随访、患者教育和长期管理效率[33,36]。
5 结语
人工智能为神经系统疾病诊疗模式带来了新的发展契机。依托机器学习、深度学习、多模态融合和大语言模型等技术，AI已在脑卒中、癫痫、认知障碍、帕金森病、脑肿瘤及神经免疫性疾病等领域显示出应用潜力，尤其在影像识别、脑电分析、风险预测、病灶分割、预后评估和长期管理等方面具有一定价值。然而，AI在神经系统疾病中的应用仍处于从研究探索向临床转化过渡的阶段，其真实世界适用性、安全性、可解释性和伦理监管仍需进一步完善。未来，AI应在医生主导下作为辅助工具嵌入临床流程，并通过高质量数据建设、前瞻性验证、多模态融合和规范化监管，不断提高其可靠性和临床可用性。总体而言，AI有望成为神经系统疾病精准诊疗和人机协同管理的重要支撑，但其价值实现仍需建立在科学验证、临床需求和患者获益的基础之上。
参考文献
[1] GBD 2021 Nervous System Disorders Collaborators. Global, regional, and national burden of disorders affecting the nervous system, 1990-2021: A systematic analysis for the Global Burden of Disease Study 2021[J]. Lancet Neurol, 2024, 23(4): 344-381.
[2] Patel UK, Anwar A, Saleem S, et al. Artificial intelligence as an emerging technology in the current care of neurological disorders[J]. J Neurol, 2021, 268(5): 1623-1642.
[3] Haug CJ, Drazen JM. Artificial intelligence and machine learning in clinical medicine, 2023[J]. N Engl J Med, 2023, 388(13): 1201-1208.
[4] Collins GS, Moons KGM, Dhiman P, et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods[J]. BMJ, 2024: e078378.
[5] Allgaier J, Mulansky L, Draelos RL, et al. How does the model make predictions? A systematic literature review on the explainability power of machine learning in healthcare[J]. Artif Intell Med, 2023, 143: 102616.
[6] Acosta JN, Falcone GJ, Rajpurkar P, et al. Multimodal biomedical AI[J]. Nat Med, 2022, 28(9): 1773-1784.
[7] Thirunavukarasu AJ, Ting DSJ, Elangovan K, et al. Large language models in medicine[J]. Nat Med, 2023, 29(8): 1930-1940.
[8] Murray NM, Unberath M, Hager GD, et al. Artificial intelligence to diagnose ischemic stroke and identify large vessel occlusions: A systematic review[J]. J NeuroIntervent Surg, 2020, 12(2): 156-164.
[9] Matsoukas S, Morey J, Lock G, et al. AI software detection of large vessel occlusion stroke on CT angiography: A real-world prospective diagnostic test accuracy study[J]. J NeuroIntervent Surg, 2023, 15(1): 52-56.
[10] Hu P, Yan T, Xiao B, et al. Deep learning-assisted detection and segmentation of intracranial hemorrhage in noncontrast computed tomography scans of acute stroke patients: A systematic review and meta-analysis[J]. Int J Surg, 2024, 110(6): 3839-3847.
[11] Campagnini S, Arienti C, Patrini M, et al. Machine learning methods for functional recovery prediction and prognosis in post-stroke rehabilitation: A systematic review[J]. J NeuroEngineering Rehabil, 2022, 19(1): 54.
[12] Kerr WT, McFarlane KN. Machine learning and artificial intelligence applications to epilepsy: A review for the practicing epileptologist[J]. Curr Neurol Neurosci Rep, 2023, 23(12): 869-879.
[13] Wang C, Yuan X, Jing W. Artificial intelligence in electroencephalography analysis for epilepsy diagnosis and management[J]. Front Neurol, 2025, 16: 1615120.
[14] Kerr WT, McFarlane KN, Figueiredo Pucci G. The present and future of seizure detection, prediction, and forecasting with machine learning, including the future impact on clinical trials[J]. Front Neurol, 2024, 15: 1425490.
[15] Boccardi M, Gallo V, Yasui Y, et al. The biomarker-based diagnosis of Alzheimer’s disease. 2: Lessons from oncology[J]. Neurobiol Aging, 2017, 52: 141-152.
[16] Xue C, Kowshik SS, Lteif D, et al. AI-based differential diagnosis of dementia etiologies on multimodal data[J]. Nat Med, 2024, 30(10): 2977-2989.
[17] Jasodanand VH, Kowshik SS, Puducheri S, et al. AI-driven fusion of multimodal data for Alzheimer’s disease biomarker assessment[J]. Nat Commun, 2025, 16: 7407.
[18] Cay G, Pfeifer VA, Lee M, et al. Harnessing speech-derived digital biomarkers to detect and quantify cognitive decline severity in older adults[J]. Gerontology, 2024, 70(4): 429-438.
[19] di Biase L, Pecoraro PM, Pecoraro G, et al. Machine learning and wearable sensors for automated Parkinson’s disease diagnosis aid: A systematic review[J]. J Neurol, 2024, 271(10): 6452-6470.
[20] Yang N, Liu J, Sun D, et al. Motor symptoms of Parkinson’s disease: Critical markers for early AI-assisted diagnosis[J]. Front Aging Neurosci, 2025, 17: 1602426.
[21] Ferrea E, Negahbani F, Cebi I, et al. Machine learning explains response variability of deep brain stimulation on Parkinson’s disease quality of life[J]. npj Digit Med, 2024, 7: 269.
[22] Oehrn CR, Cernera S, Hammer LH, et al. Chronic adaptive deep brain stimulation versus conventional stimulation in Parkinson’s disease: A blinded randomized feasibility trial[J]. Nat Med, 2024, 30(11): 3345-3356.
[23] Cè M, Irmici G, Foschini C, et al. Artificial intelligence in brain tumor imaging: A step toward personalized medicine[J]. Curr Oncol, 2023, 30(3): 2673-2701.
[24] Pan I, Huang RY. Artificial intelligence in neuroimaging of brain tumors: Reality or still promise?[J]. Curr Opin Neurol, 2023, 36(6): 549-556.
[25] Farahani S, Hejazi M, Moradizeyveh S, et al. Diagnostic accuracy of deep learning models in predicting glioma molecular markers: A systematic review and meta-analysis[J]. Diagnostics (Basel), 2025, 15(7): 797.
[26] Sakaguchi M, Yoshizawa A, Masui K, et al. AI-powered histology for molecular profiling in brain tumors: Toward smart diagnostics from tissue[J]. Cancers, 2025, 18(1): 9.
[27] Khalighi S, Reddy K, Midya A, et al. Artificial intelligence in neuro-oncology: Advances and challenges in brain tumor diagnosis, prognosis, and precision treatment[J]. NPJ Precis Oncol, 2024, 8(1): 80.
[28] Collorone S, Coll L, Lorenzi M, et al. Artificial intelligence applied to MRI data to tackle key challenges in multiple sclerosis[J]. Mult Scler, 2024, 30(7): 767-784.
[29] Cortese R, Sforazzini F, Gentile G, et al. Deep learning modeling to differentiate multiple sclerosis from MOG antibody–associated disease[J]. Neurology, 2025, 105(6): e214075.
[30] Petrosian D, Giedraitienė N, Taluntienė V, et al. Differential diagnosis of infectious versus autoimmune encephalitis using artificial intelligence-based modeling[J]. J Clin Med, 2025, 14(22): 8222.
[31] Liu X, Rivera SC, Moher D, et al. Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: The CONSORT-AI Extension[J]. BMJ, 2020, 370: m3164.
[32] Moons KGM, Damen JAA, Kaul T, et al. PROBAST+AI: an updated quality, risk of bias, and applicability assessment tool for prediction models using regression or artificial intelligence methods[J]. BMJ, 2025, 388: e082505.
[33] Vasey B, Nagendran M, Campbell B, et al. Reporting guideline for the early-stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI[J]. Nat Med, 2022, 28(5): 924-933.
[34] Clusmann J, Kolbinger FR, Muti HS, et al. The future landscape of large language models in medicine[J]. Commun Med, 2023, 3(1): 141.
[35] Rivera SC, Liu X, Chan AW, et al. Guidelines for clinical trial protocols for interventions involving artificial intelligence: The SPIRIT-AI Extension[J]. BMJ, 2020, 370: m3210.
[36] Mennella C, Maniscalco U, De Pietro G, et al. Ethical and regulatory challenges of AI technologies in healthcare: A narrative review[J]. Heliyon, 2024, 10(4): e26297.