研究撷英丨人工智能在神经肌肉疾病中的应用：数据稀缺领域的机遇——一项叙述性综述

type

Post

status

Published

date

Sep 9, 2026

slug

ai-in-neuromuscular-diseases-opportunities-data-scarce-field

summary

本文基于2026年发表于Neurology and Therapy的一篇叙述性综述，系统梳理了人工智能在神经肌肉疾病（NMDs）中的应用现状与挑战。文章指出，尽管NMDs单个病种罕见、数据稀缺，但通过迁移学习、少样本学习、联邦学习及合成数据生成等策略，AI已在基因诊断、肌肉MRI、肌电图、病理分析、预后预测及可穿戴设备等领域展现出潜力。同时，综述强调当前AI模型多缺乏外部验证，临床转化率低，真正的瓶颈在于数据基础设施的碎片化。未来需建立联邦数据网络、标准化数据集，并推动多中心前瞻性验证。

人工智能在神经肌肉疾病中的应用：数据稀缺领域的机遇——一项叙述性综述

💡

本综述系统梳理了人工智能在神经肌肉疾病（NMDs）中的应用现状与挑战。文章指出，尽管NMDs单个病种罕见、数据稀缺，但通过迁移学习、少样本学习、联邦学习及合成数据生成等策略，AI已在基因诊断、肌肉MRI、肌电图、病理分析、预后预测及可穿戴设备等领域展现出潜力。同时，综述强调当前AI模型多缺乏外部验证，临床转化率低，真正的瓶颈在于数据基础设施的碎片化。未来需建立联邦数据网络、标准化数据集，并推动多中心前瞻性验证。

一、研究背景

神经肌肉疾病（neuromuscular diseases，NMDs）并不是一种疾病，而是一个包含800余种疾病的庞大疾病群，累及前角细胞、周围神经、神经肌肉接头及骨骼肌等运动单位结构。虽然单个病种大多属于罕见病，但整体约影响全球每1000人中的1人。

神经肌肉疾病诊疗中长期存在两个看似矛盾的问题。

一方面，患者的诊断信息往往非常复杂。临床医生需要综合症状体征、家族史、肌电图、肌肉MRI、病理、基因、抗体及多组学等大量信息，才能完成疾病诊断和分型。另一方面，很多单病种患者数量非常有限，一个中心可能只能积累几十例甚至更少病例。

这也直接造成了罕见病常见的“诊断漂泊”。综述引用的一项欧洲调查显示，罕见病患者从出现症状到获得诊断平均需要4.7年，73%的患者曾经历误诊。

人工智能理论上很适合帮助医生处理这类高维、复杂的数据，但传统机器学习又往往依赖成千上万甚至更多的训练样本。

二、综述方法

研究者检索了PubMed、Web of Science、Scopus和Google Scholar数据库，主要纳入2018年1月至2025年6月发表的研究，并重点关注2022-2025年的最新进展。

检索内容覆盖神经肌肉疾病、肌营养不良、肌萎缩侧索硬化（ALS）、重症肌无力（MG）、脊髓性肌萎缩症（SMA）、肌病及周围神经病等疾病，同时纳入机器学习、深度学习、神经网络、迁移学习、联邦学习和自然语言处理等AI技术。

最终综述共纳入80篇参考文献。需要注意的是，该研究属于叙述性综述，并未进行正式的偏倚风险评价或定量Meta分析。

三、主要研究进展

面对“小样本”，目前主要有4种解决办法

综述将神经肌肉疾病AI应对数据不足的方法概括为四类：(1)迁移学习（Transfer Learning）、(2)少样本学习（Few-Shot Learning）、(3)联邦学习（Federated Learning）和(4) 合成数据生成（Synthetic Data Generation）。

💡

迁移学习：先学“通识”，再学神经肌肉病

迁移学习的思路相对容易理解。

模型不必从几十例罕见病患者开始“从零学习”，而是先利用大量普通影像或生物医学数据学习基本特征，再用少量疾病特异性病例进行微调。

在一项神经肌肉疾病研究中，预训练的卷积神经网络在432例患者、2536张大腿MRI上进行训练后，对肌营养不良蛋白病的分类准确率达到91%，研究中的资深放射科医生为84%。

换句话说，罕见病病例虽少，但模型可以把在“大数据”中学到的基础能力迁移过来。

💡

少样本学习：只有几例，也尽量学出规律

少样本学习进一步降低了模型对标注数据量的要求。已有方法在每一类别只有约10个标注样本的情况下，也能获得较好的分类表现。不过，综述同时强调，目前这类方法在神经肌肉疾病真实临床流程中的验证仍然不足。

💡

联邦学习：数据不离开医院，模型“跨院学习”

对于罕见病而言，联邦学习可能尤其重要。

传统多中心研究通常需要把数据集中到一个地方，而联邦学习允许患者原始数据保留在各医院，只交换模型参数。

目前EURO-NMD已在欧洲82个神经肌肉中心建立符合FAIR原则的联邦基础设施，为未来的多中心AI研究提供了技术基础。不过，不同中心的数据格式、表型标准以及数据治理规则能否统一，仍是实际实施中的重要障碍。

💡

合成数据：用生成式AI增加训练样本

GAN、扩散模型等技术还可以人工生成新的训练影像。这看起来可以直接解决“小样本”问题，但综述提醒，目前合成肌肉影像的生物学真实性仍缺乏充分验证，而且如果原始小样本本身存在偏倚，AI也可能把这种偏倚进一步放大。

AI辅助诊断：从基因变异到肌肉MRI

目前AI在神经肌肉疾病中的一个主要应用方向是辅助诊断。

💡

基因诊断：帮助从大量变异中寻找“最值得怀疑的那个”

基因测序后，一名患者可能存在大量遗传变异。真正困难的往往不是“有没有变异”，而是究竟哪个变异与患者的疾病有关？

例如，AlphaMissense可对约7100万种可能的人类错义变异中的89%进行分类，在ClinVar数据上的精确率约为90%。

Exomiser则进一步结合患者的临床表型。当加入人类表型本体（HPO）信息后，正确致病变异进入候选前10位的比例达到88.2%；如果不使用表型信息，这一比例仅为3%—27%。

💡

肌肉MRI：AI开始识别疾病特异性的肌肉受累模式

神经肌肉疾病的肌肉MRI往往存在相对规律的受累模式。目前AI主要用于两件事：自动分割肌肉和疾病分类。

一项研究中，AI系统Myo-Guide汇集了来自26个中心、20种神经肌肉疾病的2961份MRI。模型的Top-3诊断准确率在交叉验证中达到84.7%，在14个未见病例中达到75.0%；头对头比较中最佳专家医生为64.3%。

不过，综述同时提醒，这项医生与AI直接比较的外部样本只有14例，因此仍需要谨慎解读。

💡

肌电图和肌肉超声：数字很亮眼，外部验证仍不足

既往机器学习研究中，肌电图区分正常、ALS和肌病信号的准确率报告范围达到67%—99.5%；步态和肌肉超声研究中也出现了超过90%的分类准确率。但是不同研究设计差异很大，而且不少研究仍然来自单中心内部验证。因此，“准确率99%”并不能直接理解为“临床上已经可以用了”。

基于肌肉病理的计算：可能是目前最明显的一块“空白”

与肿瘤数字病理相比，神经肌肉疾病的计算病理发展明显滞后。这其实有些出人意料。

因为对于炎性肌病、代谢性肌病和部分先天性肌病而言，肌肉活检仍然具有非常重要的诊断价值。

已有研究使用1400张HE染色切片中的4041个图像区域训练卷积神经网络，对11种肌肉疾病进行分类，AUC达到0.996。

但是，综述指出，目前尚缺少公开可用的骨骼肌全切片数字病理数据库。因此，现有模型往往只能识别被提前裁剪好的“小图块”，而病理医生真实诊断时查看的是整张切片的结构和空间关系。

神经肌病的监测与预后：ALS和DMD走得最远

💡

ALS生存预测：最值得关注的不是“最高分”，而是多中心验证

ALS是目前神经肌肉疾病中AI研究最丰富的病种之一。其中一个重要原因是PRO-ACT数据库提供了来自23项临床试验的超过10700例患者记录。

ENCALS模型使用8个临床预测因素，在欧洲14个中心、11475例患者中完成验证，C-index为0.78。

这个数值并不是全文最高的模型性能，但综述特别强调ENCALS，是因为它完成了真正的外部、多中心验证。对于医学AI而言，这一点往往比单中心内部“刷出”更高的准确率更加重要。

💡

可穿戴设备：目前最接近真正临床转化的方向之一

可穿戴设备为罕见病提供了另一个思路：虽然患者人数少，但每名患者可以连续产生大量数据。

DMD患者的可穿戴设备可以持续记录日常活动，其中第95百分位步行速度（SV95C）已经获得FDA和EMA资格认可，成为DMD临床试验中的可穿戴数字终点之一。

这件事的重要意义不仅是“多了一个指标”。罕见病临床试验最大的现实困难之一就是患者少。如果连续数字指标比传统量表更敏感，就有可能用更少患者观察到治疗差异。

综述进一步指出，SV95C提高结局敏感性后，可将部分临床试验所需样本量减少最多约50%，因此类似数字生物标志物未来有望拓展到ALS、MG和SMA等疾病。

蛋白质组和多组学：从“诊断疾病”走向“发现疾病机制”

AI的另一个重要应用是从高维组学数据中寻找疾病特征。

例如，在183例ALS患者和309例对照者的血浆蛋白质组研究中，机器学习构建的诊断模型AUC达到98.3%，而且结果在独立队列中得到重复验证。

在DMD中，153例患者的蛋白质组分析找到了36种与临床里程碑相关的蛋白质。

在炎性肌病中，研究者进一步将转录组、蛋白质组和代谢组进行整合。基于203例患者建立的MOFA多组学模型可以区分皮肌炎、免疫介导坏死性肌病和抗合成酶综合征，而且还在独立的44例患者中完成了验证。

对于罕见病来说，这一点尤其有意义：单一数据类型的样本可能很少，但多种模态的信息可以相互补充。

大语言模型：值得研究，但暂时不能把“辅助”理解成“替代”

自然语言处理和大语言模型也开始进入罕见病诊断。

例如，PhenoBrain利用自然语言处理提取和分析患者表型，在相关罕见病测试中，Top-3召回率为0.513；当AI与专科医生信息结合时，召回率提高到0.768。

另外，GPT-4o在4917个、涵盖10种语言的标准化罕见病病例中，将正确诊断排在第一位的比例为19.8%。

19.8%说明大模型已经能够解决部分病例，但反过来看，也意味着约80%的病例中，正确诊断并没有排在第一位。

因此，综述对LLM的定位相对谨慎：目前更适合作为诊断辅助工具，而不是独立诊断系统。在真正进入临床前，仍然需要疾病特异性数据训练以及严格的前瞻性验证。

不同疾病之间，AI研究数量相差非常悬殊

综述统计了2018—2025年不同神经肌肉疾病相关的AI研究数量。

其中，ALS为547篇，炎性肌病151篇，MG 100篇，DMD/BMD 86篇，SMA 44篇，FSHD 33篇。

而先天性肌病仅9篇、CMT仅7篇，Lambert-Eaton肌无力综合征仅1篇。

这种差异未必意味着ALS和DMD最“需要”AI。

更重要的原因可能是：它们已经拥有比较成熟的数据基础设施。

ALS拥有PRO-ACT数据库，DMD拥有较成熟的患者登记系统。数据越丰富，越容易吸引算法研究；研究越多，又会产生更多数据，从而进一步扩大与其他罕见病之间的差距。

四、讨论

“准确率99%”不等于可以进入临床

这是这篇综述最值得注意的观点之一。

神经肌肉疾病相关影像、肌电研究中，经常可以看到91%—99%的准确率。但这些亮眼的数字，大多来自单中心数据的内部验证。

综述指出，罕见病机器学习研究中仅有约11.8%使用外部数据验证模型，完成前瞻性临床评价的研究则更少。

因此，一个模型在本院数据上表现很好，并不意味着换一家医院、换一台设备、换一种扫描协议后仍然有效。

真正具有临床价值的AI还需要回答几个问题：

能否在其他中心复现？

是否完成前瞻性验证？

能否真正融入临床流程？

结果是否具有可解释性？

最重要的是，使用模型后是否真的改善了患者诊疗？

所以，AUC、Accuracy、Dice或C-index很高，并不能与“临床有用”画等号。综述认为，目前这个领域的主要瓶颈正在从单纯的算法开发，转向严格验证、标准化评价体系以及高质量多中心数据。

神经肌肉疾病AI真正的瓶颈，可能已经从算法转向“数据基础设施”

小样本当然仍然是问题。

但这篇综述提出了一个更进一步的观点：数据少，不一定等于AI做不了。

迁移学习可以借用其他领域的大数据，联邦学习可以把不同中心的小数据联合起来，多模态和多组学可以让有限病例产生更多信息。

真正越来越突出的问题，是不同医院的表型定义是否一致、影像和病理能否标准化、数据能不能共享、不同中心能否按照同一套结局指标收集数据，以及模型能否完成外部和前瞻性验证。

作者因此认为，碎片化的数据基础设施正在成为比算法创新本身更大的限制因素。

未来最值得关注的5个方向

第一，建立真正能够用于AI训练的联邦数据网络。现有基础其实已经存在。TREAT-NMD覆盖全球65个登记数据库，Solve-RD连接超过300名临床医生和51个中心，并对超过19000例未诊断病例进行重新分析。下一步需要解决的是如何在患者数据不集中转移的前提下，实现跨中心模型训练。

第二，大语言模型可以继续探索，但必须坚持临床验证。未来检索增强生成、多语言模型以及疾病特异性模型有望进一步提高诊断能力，但现阶段仍应视为探索性技术。

第三，把可穿戴数字生物标志物从DMD推广到更多疾病。例如ALS的上肢活动、MG的面部运动以及强直性肌营养不良的握持肌强直，都可能通过传感器实现连续量化。

第四，建设肌肉病理全切片数据集。计算病理目前受到的限制更多来自数据缺乏，而不是模型本身。公开、标准化、经过专家标注的骨骼肌数字病理数据可能是未来重要突破口。

第五，让多组学从概念验证走向常规研究。对于本来就珍贵的肌肉组织和患者样本，与其只获取一种组学数据，未来更值得尝试把转录组、蛋白质组和代谢组进行整合分析。

五、结语

这篇综述显示，数据稀缺并没有阻止AI在神经肌肉疾病中的发展，但使这种发展呈现出明显的不均衡，并且增加了模型验证和临床转化的难度。

目前，AI已经能够参与遗传变异筛选、肌肉影像分析、肌电分类、疾病预后预测、连续运动监测和多组学生物标志物发现；其中DMD数字生物标志物和ALS多中心预后模型已经体现出较高的临床转化成熟度。

但对于大多数神经肌肉疾病而言，AI仍主要停留在内部验证或概念验证阶段。

因此，未来最重要的任务可能并不是继续追求更加复杂的新算法，而是建立共享数据集、联邦学习网络、标准化临床表型和结局指标，并开展真正的多中心、前瞻性验证。

参考文献

[1] Ma S, Luo S, Zhong H. Artificial Intelligence in Neuromuscular Diseases: Opportunities for a Data-Scarce Field. Neurology and Therapy. 2026. DOI: 10.1007/s40120-026-01017-8.

撰稿：衷画画，罗苏珊，马尚；

审核：赵重波