Nature Medicine：基于多模式数据的痴呆病因的人工智能鉴别诊断

人工智能模型利用9个独立的、地理上不同的数据集的51269名参与者，利用广泛的数据，包括人口统计学、病史、药物使用、神经心理学评估、功能评估和多模态神经成像，确定了导致个体痴呆的病因。

　　

摘要

痴呆的鉴别诊断仍然是神经病学的一个挑战，由于症状重叠的病因，但它是制定早期，个性化的管理策略至关重要。在这里，我们提出了一个人工智能(AI)模型，该模型利用广泛的数据，包括人口统计、个人和家族病史、药物使用、神经心理学评估、功能评估和多模态神经成像，来确定导致个体痴呆的病因。这项研究从9个独立的、地理上不同的数据集中招募了51269名参与者，帮助确定了10种不同的痴呆症病因。它使诊断与类似的管理策略保持一致，即使在数据不完整的情况下也能确保可靠的预测。我们的模型在对正常认知、轻度认知障碍和痴呆个体进行分类时，受试者工作特征曲线下的微平均面积(AUROC)为0.94。此外，微平均AUROC在区分痴呆病因方面为0.96。我们的模型显示了对混合性痴呆病例的熟练程度，两种共同发生的病理的平均AUROC为0.78。在随机选择的100例病例中，人工智能模型增强的神经科医生评估的AUROC比神经科医生的评估高出26.25%。此外，我们的模型预测与生物标志物证据一致，并通过尸检结果证实了其与不同蛋白质病变的关联。我们的框架有潜力被整合为临床环境和药物试验中痴呆症的筛查工具。需要进一步的前瞻性研究来证实其改善患者护理的能力。

主要

痴呆症是我们这个时代最紧迫的健康挑战之一。每年有近1000万新病例报告，这种综合征的特点是认知功能逐渐下降，严重到足以妨碍日常生活活动，继续带来相当大的临床和社会经济挑战。2017年，世界卫生组织的全球行动计划强调，为应对全球日益增多的痴呆症病例，需要及时准确诊断痴呆症，这是一项关键的战略目标。因此，对各种痴呆症的诊断精度仍然是一个关键的，但尚未满足的需求，特别是随着全球人口老龄化和对药物试验中更准确的参与者筛选的需求增加。这一挑战主要源于不同痴呆类型的重叠临床表现，而磁共振成像(MRI)扫描结果的异质性使其进一步复杂化。考虑到包括神经学家、神经心理学家和老年护理提供者在内的专家预计短缺，该领域改进的必要性变得更加紧迫，强调了创新和发展我们的诊断工具的紧迫性。

准确的痴呆鉴别诊断是处方有针对性的治疗干预，提高治疗效果和减缓症状进展的关键。虽然阿尔茨海默病(AD)是主要病因，但其他形式如血管性痴呆(VD)、路易体痴呆(LBD)和额颞叶痴呆(FTD)也很常见9,10,11。这些病因通常可以共存，以症状重叠和症状强度变化为特征，这进一步使诊断过程复杂化。重要的是，诊断错误在老年人中很普遍，特别是那些有合并症的老年人。这些误诊可能导致不适当的用药和不良的健康后果。例如，尽管早期AD患者可能是抗淀粉样蛋白治疗的候选者15,16,17，但其他病因(如VD)的病理共存会增加淀粉样蛋白相关影像学异常的风险18。这一风险凸显了准确评估导致痴呆的所有病因的迫切需要，从而为适当的治疗策略提供信息，并优化患者护理。

考虑到在获得金标准测试方面的挑战，开发可扩展的阿尔茨海默病和相关痴呆症诊断工具的必要性变得越来越迫切。最近的监管批准促进了脑脊液(CSF)和正电子发射断层扫描(PET)生物标志物从研究环境到临床环境的转变。尽管前景看好，但准确的血液生物标志物的临床整合仍然是一个活跃的研究领域20,21,22。尽管取得了这些进步，但不仅在偏远和经济发展中地区，而且在城市保健中心，获得这些诊断工具的机会仍然有限，例如，等待专家咨询的时间很长23。这一挑战因行为神经学家和神经心理学家等专家的全球短缺而变得更加复杂，导致过度依赖认知评估，而由于世界上许多地方缺乏正式的神经心理学培训项目，这种评估可能在文化上不合适。尽管临床评估、神经心理测试和核磁共振成像等传统方法仍然是生前痴呆症鉴别诊断的核心，但它们的有效性依赖于越来越少的专业临床医生。这一限制强调了医疗保健系统发展和适应快速变化的痴呆症诊断和治疗动态的迫切需要。

机器学习(ML)有潜力提高痴呆症诊断的准确性和效率26,27,28。以前的机器学习方法主要集中在利用神经影像学数据来区分正常认知(NC)个体与轻度认知障碍(MCI)和痴呆症个体，鉴于AD在痴呆症诊断中的普遍存在，它是主要病因29,30。一些研究试图通过将AD与其他类型的痴呆进行对比来识别AD特有的神经影像学特征31、32、33、34、35、36、37、38、39、40。然而，考虑到其他病因的流行和共存，这种对AD的主要强调可能具有有限的实际意义。此外，仅关注成像数据可能不足以提供对个体神经系统状况的全面了解。最近，我们提出了一种基于认知状态对个体进行分层的计算方法，并通过结合影像学和非影像学数据(如人口统计学、病史和神经心理学评估)来区分可能的AD病例和非AD痴呆类型。这些研究已经开始阐明导致痴呆的复杂因素。然而，要将ML模型应用于临床实践，它们必须能够适应复杂的混合病因，以及包括或排除可能可用或不可用的不同数据模式。因此，能够利用多模态数据的人工智能方法的发展有助于准确量化各种痴呆症病因，而无需考虑临床资源，从而使治疗策略与个体患者的情况保持一致。

在这项研究中，我们提出了一个多模态机器学习框架，该框架利用各种数据，包括人口统计、个人和家族病史、药物使用、神经心理学评估、功能评估和多模态神经成像，来进行痴呆的鉴别诊断。我们的模型旨在反映现实世界的情况，将诊断与类似的管理策略保持一致，并输出每种病因的概率。这种方法旨在模仿临床推理，并帮助痴呆症筛查和治疗计划的从业人员。通过对独立的、地理上不同的数据集的验证，证明了该模型的稳健性。在比较分析中，我们发现人工智能增强的临床医生评估与仅临床医生评估相比具有更高的诊断准确性。通过对不同病因的金标准生物标志物和死后数据验证我们的模型，我们进一步强调了我们的模型与痴呆病理生理学一致的能力。我们的算法框架具有增强痴呆症筛查的潜力，但需要进一步的研究来评估其对医疗保健结果的影响。