英国剑桥大学开发AI工具，老年痴呆症预测准确率比标准高三倍！

夕小瑶科技说 原创
作者 | 21#

近日，剑桥大学心理学系的科学家团队开发了一种AI模型，能够预测患有轻度记忆和思维问题的个体是否以及多快会发展为阿尔茨海默病。在发表在《eClinical Medicine》上的研究中，他们表明该模型比现有的临床诊断工具更准确。

该研究的突出贡献如下：

• 能够区分稳定的轻度认知障碍患者和在三年内发展为阿尔茨海默病的患者。仅通过认知测试和MRI扫描，它能够在82%的案例中正确识别出发展为阿尔茨海默病的个体，并在81%的案例中正确识别出没有发展的人。

• 在预测阿尔茨海默症进展方面比目前的标准准确性高出约三倍。这表明该模型可以显著减少误诊。

• 打破国家壁，实现泛化。使用来自不同国家（美国、英国、新加坡）的独立多中心数据样本测试模型，取得优异效果。

剑桥大学心理学系教授、资深作者Zoe Kourtzi表示：

这有可能显著改善患者的福祉，告诉我们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。在医疗资源压力巨大的时候，这也有助于减少不必要的侵入性和昂贵的诊断测试的需求。

全球挑战--阿尔茨海默症

痴呆症（阿尔茨海默症）对全球医疗保健构成了重大挑战，影响全球超过5500万人，每年估计损失8200亿美元，预计在50年内将增加三倍。

阿尔茨海默病（AD）是痴呆的主要原因，占病例的60-80%。早期预测谁会发展成AD对临床治疗具有重大意义。

但如果不使用侵入性或昂贵的测试，如正电子发射断层扫描（PET）扫描或腰椎穿刺，早期痴呆诊断和预后可能不准确，并且这些测试并非所有记忆诊所都能提供。因此，多达三分之一的患者可能被误诊，而其他患者则诊断得太晚而无法有效治疗。

此项研究构建了一个稳健且可解释的预测性预后模型（PPM），可以减少对侵入性和昂贵的诊断测试的需求，预测处于疾病早期阶段(轻度认知障碍，MCI)或症状前阶段(认知正常，CN)的个体是否会以及多快会发展为阿尔茨海默病，并且预测准确率高达80%。

接下来让我们一起看看强大的PPM是如何构建的。

PPM是如何构建的？

PPM训练与测试样本

PPM使用在研究和临床队列中常见的临床相关预测因子（认知测试、灰质萎缩）进行训练。该研究使用一个研究队列（阿尔茨海默病神经影像学计划，ADNI）用于PPM训练和测试；两个临床队列作为独立的测试数据集，用于样本外验证：英国国家医疗服务体系（NHS）记忆诊所的脑结构与功能定量MRI（QMIN-MC）、新加坡国立大学记忆老化与认知中心数据集（MACC）。

这些数据集在患者人口统计学特征和数据收集工具存在一定差异，这使研究能够测试PPM在不同记忆诊所和国家之间的泛化性。

PPM从诊断扩展到预后，如何预测未来认知？

大多数用于痴呆预测的机器学习模型都专注于基于临床标签（二分类，如 CN vs AD）的分类。位于类别边界上的个体患者可能会因为轨迹上稍有不同而被误分类。

相比之下，研究开发了一种基于广义度量学习向量量化（GMLVQ）的轨迹建模方法，该方法利用多模态数据，通过迭代调整类别特定的原型和学习类别边界来预测早期痴呆阶段的未来认知下降。

研究训练了GMLVQ模型来区分稳定的轻度认知障碍（sMCI：在三年内持续被诊断为MCI的个体）和进展性轻度认知障碍（pMCI：在三年内进展为阿尔茨海默病的个体）。

研究使用嵌套交叉验证方法进行模型的超参数调优，同时引入集成学习，结合多个模型（n=400）来稳健地学习现实世界临床数据中典型的不平衡类（即患者群体大小可能会有所不同）。

基于训练集性能选择了前20%（n=80）的模型，并基于

1. 多数投票，即从集成模型中获得最多投票的类别标签被选为最终预测。
2. 所选分类器的平均性能来估计类平衡准确性。

这个带有交叉验证的集成学习方法有助于减轻潜在的单个模型偏差，从而产生更稳健和准确的预测。

未来展望

该团队现在希望将他们的模型扩展到其他形式的痴呆症，如血管性痴呆和额颞痴呆，并使用不同类型的数据，如血液测试的标志物。

Kourtzi教授谈到：

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在最早的阶段识别和干预。

我们的愿景是扩大我们的AI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路径。我们的工具可以帮助将合适的患者匹配到临床试验中，加速用于疾病修饰治疗的新药发现。

人工智能在医疗领域的应用已屡见不鲜，并且展现出巨大潜力，但实际应用中仍然具备诸多挑战。随着技术的不断进步和更多临床数据的积累，人工智能有望在疾病早期诊断、治疗方案制定、预后预测以及健康管理中发挥越来越重要的作用。尽管面临挑战，例如数据隐私和技术标准化，但医疗人工智能的前景依然光明，有望为全球的健康和医疗体系带来改善和创新。

参考资料