可穿戴AI新框架：在症状前多年捕捉脑健康风险

原文：Next-Generation Brain Health Monitoring Enabled by Integrated Wearable AI Infrastructure.
期刊：Smart medicine（影响因子 12.8） |  PubMed | PMC 全文（含 PDF）

研究背景：神经退行性疾病需要“提前很多年”的监测窗口

阿尔茨海默病（AD）、帕金森病（PD）、路易体痴呆（LBD）、肌萎缩侧索硬化（ALS）以及行为变异型额颞叶痴呆（bvFTD）等神经退行性疾病，是全球增长最快的健康挑战之一。它们最棘手的地方在于：在临床症状明显出现之前，病理蛋白往往已经在大脑中沉默地积累了多年。例如，α-突触核蛋白（α-synuclein）异常聚集可在脑干蓝斑、脚桥核等区域先造成损害；AD 中细胞外 Aβ 斑块和细胞内过度磷酸化 tau 缠结先影响内嗅皮层与海马，再扩散到默认模式网络；TDP-43 蛋白病则在 ALS 与 bvFTD 中从核内错误定位到细胞质，形成毒性聚集体。

传统监测手段依赖脑扫描、脑脊液检测和院内评估，昂贵、有创、耗时，且只能捕捉很短时间窗内的状态，难以进行长期连续追踪。可穿戴生物传感器、人工智能与神经科学的进展，使我们在真实世界环境中连续记录步态、心率、睡眠、语音、眼动等脑相关生理信号成为可能。但问题在于：传感技术、信号分析和机器学习的发展仍然碎片化，许多数字生物标志物缺乏生物特异性、鲁棒性和临床转化能力。

核心发现：把“分子病理—神经环路—可穿戴数字表型”连成一张图

这篇发表于 Smart Medicine（影响因子 12.8）的综述，提出了一个整合框架：把分子病理、神经环路功能障碍，与睡眠、自主神经调节、步态、语音、眼动等传感器可检测的数字表型连接起来。作者重点聚焦 AD、PD 以及包括 ALS 在内的 TDP-43 蛋白病，并特别强调症状前（prodromal）阶段的检测——因为那时干预最有效。

文章用图 1 把三类主要神经退行性疾病通路整合进一个统一视觉框架：每一列代表一条疾病通路——突触核蛋白病（PD/LBD）、AD、TDP-43 谱系障碍（ALS/bvFTD）。纵轴是从最早可检测病理（诊断前 15–20 年）到临床诊断的症状前时间线。图中追踪了从病理性蛋白聚集（上排）、到神经环路破坏（中排）、再到可穿戴设备可检测的数字表型（下排）的进展。不同疾病之间信号出现的时间和表型特征各不相同，这说明必须采用疾病特异性的多模态传感器配置。

具体来说，PD 和 LBD 始于错误折叠 α-synuclein 在脑干蓝斑和脚桥核积累。脚桥核受损破坏姿势与运动控制；邻近的蓝斑下区退化则破坏产生 REM 睡眠肌张力丧失的脑桥延髓环路，导致 REM 睡眠行为障碍（RBD）。RBD 可在帕金森运动诊断前 5–15 年出现，是极早期信号。消费级 EEG 与光电容积描记（PPG）传感器可在睡眠中检测心率变异性（HRV）下降和与 RBD 相关的运动事件，作为脑干 α-synuclein 病的非侵入早期指标。随着病理进展到黑质，多巴胺能神经支配退化，可穿戴惯性测量单元（IMU）能发现步时变异性增加、摆臂不对称、转身时间延长和静止性震颤。

AD 的早期可穿戴信号包括睡眠纺锤波密度降低、睡眠-觉醒周期碎片化、语音停顿增多，这些出现在记忆主诉之前。疾病进展影响额顶叶眼动网络后，平滑追踪眼动效率下降、扫视潜伏期增加；语言网络退化则导致言语流畅性下降。TDP-43 相关 ALS 中，皮质脊髓束和脊髓运动神经元选择性死亡，表面肌电（sEMG）可检测手部峰值加速度降低、归一化 jerk 比升高；bvFTD 中突显网络（前岛叶和前扣带回）受损，导致昼夜节律振幅降低、日常休息-活动节律碎片化和行为去抑制。ALS 症状前期约 1–3 年，bvFTD 约 3–8 年，因此需要高频监测和灵敏算法。

方法亮点：从多模态传感到边缘 AI 与 pBH-OS 操作系统

文章进一步评估了新兴可穿戴平台，包括生物电、光学和神经运动传感器，并讨论信号质量、以用户为中心的外形设计、以及超低功耗边缘 AI 系统。图 2 给出了一个统一框架：上排是五类早期易感神经系统——脑干自主神经核、基底节-小脑-皮层运动环路、眼动脑干/小脑/额叶眼动场网络、言语语言运动网络、蓝斑-去甲肾上腺素瞳孔系统。中排对应可穿戴传感方式：PPG 与 ECG 测自主神经 HRV；IMU 测步态动力学；智能眼镜与眶周 EOG 测扫视潜伏期、平滑追踪增益；智能手机麦克风测停顿-语音比、元音空间面积、抖动与微颤；红外瞳孔测量测任务诱发瞳孔扩张。下排强调在自由生活条件下进行多模态纵向监测，连续收集家庭活动、行走、日常作息和睡眠数据数天至数周，以追踪个体轨迹。

在 AI 分析方面，作者讨论了自监督学习、联邦 AI、机制建模和公平性感知验证如何提高生物标志物的可靠性、可解释性和泛化能力。一个核心难题是“标签密度不匹配”：可穿戴设备每天产生数千个数据点、持续数月甚至数年，而临床评估可能每几个月才一次，且只反映就诊当天状态。解决方案不是二选一，而是战略性地组合：时间对齐把可穿戴数据与临床评估附近标签匹配；半监督学习从临床笔记、跌倒与急诊记录、用药记录、生态瞬时评估（EMA）中提取概率性标签；主动学习聚焦模型不确定样本，减少标注成本。域对抗神经网络和不变风险最小化则用于消除设备、地点和人群带来的系统偏差。

文章还介绍了先进传感器架构（图 3、图 4 涉及生物电与血流动力学监测、神经运动与电生理传感平台，包括纹身式电子器件稳定采集 EEG、干电极 sEMG 腕带解码手部动作等），以及数据质量、信号处理和边缘 AI 流水线（图 5、图 6：从多模态信号采集、模态处理到可穿戴生物标志物发现的五阶段 AI 流水线）。

最具系统性的创新，是作者提出的“个性化脑健康操作系统”（Personalized Brain-Health Operating System, pBH-OS）。这是一个保护隐私的参考架构，用于可扩展的数字表型分析。图 7 展示了其七层堆栈：从传感到闭环治疗，贯穿隐私设计、联邦学习和公平性机制。该框架把概念层映射到现有技术，同时指出关键验证缺口。

应用意义：走向有生物学依据、可监管的临床级系统

这篇综述的临床价值在于：它不只说“可穿戴设备能监测”，而是坚持数字生物标志物必须有生物学根基——只有当传感器测量反映潜在疾病机制时，连续生理行为数据才有意义。作者强调，临床有意义的数字标志物必须“有生物依据、可靠测量、稳健分析、严格验证”。

此外，文章直面实际部署挑战：依从性、设备脱落、信息性缺失、监管合规和问责制。作者指出，诸如夜间 HRV 低、睡眠紊乱、活动减少等表型在三类疾病中都可能出现，也与抑郁、睡眠呼吸暂停和衰老有关，因此解读可穿戴数据时必须控制药物时间、剂量和共病等变量。

总体而言，这些进展提供了一条通路：建立有生物学基础、符合监管要求、能够在临床症状出现前数年识别神经退行风险的系统。对科研读者而言，pBH-OS 与“病理—环路—数字表型”图谱不仅是一篇综述的总结，更为未来多中心、真实世界、隐私保护的脑健康监测研究提供了可操作蓝图。

本文图片转载自 PMC 开放获取全文，仅供学习参考，请以原文为准。