人工智能预测阿尔茨海默氏症进展的准确率高达82%

剑桥大学的研究人员开发了一种人工智能工具，可以使用非侵入性和成本效益高的方法，准确预测早期痴呆症状患者的阿尔茨海默病进展。这一创新可以显著减少对昂贵的诊断程序的依赖，并改善早期干预策略，可能使全球数百万人受益。

　　

剑桥大学的人工智能模型可以预测阿尔茨海默氏症82%的进展精度使用简单的认知测试和核磁共振扫描，为传统诊断提供了一种非侵入性和更便宜的选择。

剑桥大学的科学家们开发了一种人工智能工具，能够在五分之四的情况下预测有早期痴呆症症状的人是会保持稳定还是会发展成阿尔茨海默病。

研究小组说，这种新方法可以减少对侵入性和昂贵的诊断测试的需求，同时在改变生活方式或新药等干预措施可能有机会发挥最佳作用时，早期改善治疗结果。

痴呆症的全球挑战

痴呆症是一项重大的全球医疗保健挑战，影响全球5500多万人，估计每年造成8200亿美元的损失。预计今后50年病例数将增加近两倍。

痴呆症的主要病因是阿尔茨海默病，占病例的60-80%。早期发现是至关重要的，因为这是治疗可能最有效的时候，然而，如果不使用侵入性或昂贵的检查，如正电子发射断层扫描(PET)扫描或腰椎穿刺，早期痴呆症的诊断和预后可能不准确，而这些检查并不是在所有的记忆诊所都能得到。结果，多达三分之一的患者可能被误诊，而其他患者被诊断得太晚而无法有效治疗。

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的科学家领导的一个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会发展为阿尔茨海默病，以及发展速度有多快。在今天(7月12日)发表在《临床医学》杂志上的研究中，他们表明这种方法比目前的临床诊断工具更准确。

为了建立他们的模型，研究人员使用了常规收集的、非侵入性的、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400多名美国研究队列的个体。

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名患者的纵向数据来测试该模型。

人工智能模型的实施和影响

该算法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。仅通过认知测试和核磁共振扫描，它就能在82%的病例中正确识别出患有阿尔茨海默病的人，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性是目前标准护理的三倍左右;也就是说，标准的临床标记(如灰质萎缩或认知评分)或临床诊断。这表明该模型可以显著减少误诊。

该模型还允许研究人员使用每个人首次访问记忆诊所的数据将患有阿尔茨海默病的人分为三组:症状保持稳定的人(约50%的参与者)，缓慢发展为阿尔茨海默病的人(约35%)和进展较快的人(其余15%)。这些预测在6年的随访数据中得到了验证。这很重要，因为它可以帮助在足够早的阶段识别那些可能从新治疗中受益的人，同时也可以识别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，最好被引导到不同的临床途径，因为他们的症状可能是由其他原因引起的，而不是由痴呆引起的，比如焦虑或抑郁。

潜在和未来的应用

剑桥大学心理学系的资深作者佐伊·库尔齐教授说:“我们发明了一种工具，尽管只使用认知测试和核磁共振扫描的数据，但在预测一个人是否会从轻微症状发展为阿尔茨海默氏症方面，它比目前的方法要灵敏得多——如果是这样，这个过程是快还是慢。”

“这有可能显著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，同时消除那些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之际，这也将有助于消除对不必要的侵入性和昂贵的诊断测试的需求。”

虽然研究人员在一个研究队列的数据上测试了这个算法，但它是用独立的数据来验证的，这些数据包括了近900名在英国和新加坡参加记忆诊所的人。在英国，通过定量MRI在NHS记忆诊所研究(QMIN-MC)中招募患者，该研究由剑桥大学医院NHS信托基金和剑桥郡和彼得伯勒NHS基金会信托基金(CPFT)的研究合著者Timothy Rittman博士领导。

研究人员说，这表明它应该适用于现实世界的病人，临床环境。

剑桥大学精神病学系助理教授、CPFT名誉精神病学顾问本·安德伍德博士说:“随着年龄的增长，记忆问题很常见。在诊所里，我看到这些是否可能是痴呆症的最初迹象的不确定性如何给人们和他们的家人带来很多担忧，也让那些更愿意给出明确答案的医生感到沮丧。事实上，我们可能能够用我们已经掌握的信息来减少这种不确定性，这是令人兴奋的，随着新疗法的出现，这可能会变得更加重要。”

库尔齐教授说:“人工智能模型的好坏取决于它们所接受的训练数据。为了确保我们的方法有可能在医疗环境中被采用，我们对它进行了训练和测试，这些数据不仅来自研究队列，还来自实际记忆诊所的患者。这表明它可以推广到现实世界。”

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

库尔齐教授补充说:“如果我们要解决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识别和干预尽可能早的阶段。”我们的愿景是扩大我们的人工智能工具，帮助临床医生在正确的时间为正确的诊断和治疗途径分配正确的人员。我们的工具可以帮助匹配合适的患者进行临床试验，加速新药的发现，以改善疾病的治疗。”