剑桥大学的人工智能模型可以使用简单的认知测试和 MRI 扫描来预测阿尔茨海默病的进展，准确率达 82%，为传统诊断提供了一种非侵入性且更便宜的替代方案。
剑桥大学的人工智能模型可以使用简单的认知测试和 MRI 扫描来预测阿尔茨海默病的进展，准确率达 82%，为传统诊断提供了一种非侵入性且更便宜的替代方案。
剑桥科学家开发了一种人工智能工具，能够在五分之四的情况下预测患有早期痴呆症的人是否会保持稳定或患上阿尔茨海默病。
研究小组表示，这种新方法可以减少对侵入性且昂贵的诊断测试的需求，同时在生活方式改变或新药物等干预措施可能有机会发挥最佳作用时尽早改善治疗结果。
痴呆症的全球挑战
痴呆症对全球医疗保健构成了重大挑战，影响着全球超过 5500 万人，估计每年造成 8200 亿美元的损失。预计未来 50 年案件数量将几乎增加两倍。
痴呆症的主要原因是阿尔茨海默病，占病例的 60-80%。早期发现至关重要，因为此时治疗可能最有效，但如果不使用侵入性或昂贵的测试（例如正电子发射断层扫描 (PET) 扫描或腰椎穿刺），早期痴呆症诊断和预后可能不准确。所有记忆诊所均提供。因此，多达三分之一的患者可能会被误诊，而其他患者则诊断得太晚，导致治疗无法有效。
利用人工智能推进阿尔茨海默病的诊断
由剑桥大学心理学系科学家领导的团队开发了一种机器学习模型，能够预测患有轻度记忆和思维问题的个体是否以及以多快的速度发展为阿尔茨海默病。今天（7 月 12 日）在 eClinical Medicine 杂志上发表的研究表明，它比当前的临床诊断工具更准确。
为了构建模型，研究人员使用了常规收集的、非侵入性且低成本的患者数据——认知测试和显示灰质萎缩的结构 MRI 扫描——来自美国研究队列的 400 多名患者。
然后，他们使用来自美国队列的另外 600 名参与者的真实患者数据以及来自英国和新加坡记忆诊所的 900 名参与者的纵向数据测试了该模型。
人工智能模型的实施和影响
该算法能够区分患有稳定轻度认知障碍的人和在三年内进展为阿尔茨海默病的人。仅通过认知测试和 MRI 扫描，它就能在 82% 的病例中正确识别出患有阿尔茨海默病的人，并在 81% 的病例中正确识别出没有患上阿尔茨海默病的人。
该算法在预测阿尔茨海默氏症进展方面的准确度比当前护理标准高出三倍左右；即标准临床标志物（例如灰质萎缩或认知评分）或临床诊断。这表明该模型可以显着减少误诊。
该模型还允许研究人员利用每个人第一次到记忆诊所就诊的数据，将阿尔茨海默病患者分为三组：症状保持稳定的人（约占参与者的 50%）、缓慢进展为阿尔茨海默病的人（约35%）和那些进步更快的人（剩下的15%）。这些预测在查看 6 年多的后续数据时得到了验证。这很重要，因为它可以帮助在足够早的阶段识别出那些可能从新治疗中受益的人，同时还可以识别出那些需要密切监测的人，因为他们的病情可能会迅速恶化。
重要的是，那些有记忆丧失等症状但保持稳定的 50% 的人最好采用不同的临床途径，因为他们的症状可能是由其他原因引起的，而不是痴呆症，例如焦虑或抑郁。
潜在和未来的应用
剑桥大学心理学系的资深作者 Zoe Kourtzi 教授表示：“我们创建了一种工具，尽管仅使用认知测试和 MRI 扫描的数据，但在预测某人是否会进步方面比目前的方法要敏感得多从轻微症状到阿尔茨海默氏症——如果是这样，这种进展是快还是慢。
“这有可能显着改善患者的健康状况，向我们展示哪些人需要最密切的护理，同时消除我们预测将保持稳定的患者的焦虑。在医疗资源面临巨大压力的时候，这也将有助于消除不必要的侵入性且昂贵的诊断测试的需要。”
虽然研究人员根据研究队列的数据测试了该算法，但它使用独立数据进行了验证，其中包括近 900 名在英国和新加坡就诊的记忆诊所的个体。在英国，由剑桥大学医院 NHS 信托基金以及剑桥郡和彼得伯勒 NHS 基金会信托基金 (CPFT) 的研究合著者 Timothy Rittman 博士领导的 NHS 记忆诊所定量 MRI 研究 (QMIN-MC) 招募了患者。
研究人员表示，这表明它应该适用于现实世界的患者和临床环境。
CPFT 荣誉精神病学家兼剑桥大学精神病学系助理教授 Ben Underwood 博士表示：“随着年龄的增长，记忆问题很常见。在临床上，我发现这些是否可能是痴呆症最初迹象的不确定性会给人们及其家人带来很多担忧，也会让那些更愿意给出明确答案的医生感到沮丧。事实上，我们或许能够利用已有的信息来减少这种不确定性，这一点令人兴奋，而且随着新疗法的出现，这一点可能会变得更加重要。”
库尔茨教授表示：“人工智能模型的好坏取决于它们所训练的数据。为了确保我们的系统有可能在医疗保健环境中得到采用，我们不仅从研究队列中定期收集数据，而且还从实际记忆诊所的患者中收集数据来对其进行训练和测试。这表明它将可以推广到现实世界的环境中。”
该团队现在希望将他们的模型扩展到其他形式的痴呆症，例如血管性痴呆和额颞叶痴呆，并使用不同类型的数据，例如血液测试的标记物。
库尔茨教授补充道：“如果我们要应对痴呆症带来的日益严重的健康挑战，我们将需要更好的工具来尽早识别和干预。我们的愿景是扩大我们的人工智能工具的规模，帮助临床医生在正确的时间将正确的人分配到正确的诊断和治疗途径。我们的工具可以帮助将合适的患者与临床试验相匹配，加速疾病缓解治疗的新药发现。”
参考文献：
Lee, LY 和 Vaghari, D 等人的“用于现实临床环境中早期痴呆症预测的稳健且可解释的 AI 引导标记”，2024 年 7 月 12 日，EClinicalMedicine。
DOI：10.1016/j.eclinm.2024.102725
该研究由 Wellcome、英国皇家学会、英国阿尔茨海默病研究中心、阿尔茨海默病药物发现基金会诊断加速器、艾伦图灵研究所和英国国家健康研究所剑桥生物医学研究中心资助。