一个可靠的人工智能引导的早期痴呆预测标记

研究人员使用机器学习技术开发和测试一种预测预后模型，利用真实世界的患者数据早期预测痴呆症。

　　

最近的一项ecclinicalmedicine研究利用机器学习(ML)技术开发和测试了一种预测预后模型(PPM)，用于使用真实世界的患者数据预测早期痴呆症。

早期诊断痴呆症的挑战

研究人员预测，在未来50年里，痴呆症的发病率将增加三倍。阿尔茨海默病(AD)目前占所有痴呆症病例的60-80%。

迄今为止，仍然缺乏早期诊断痴呆症的有效工具。记忆测试在早期阶段尤其无效，因为它们缺乏敏感性。此外，大多数患者无法进行更具体的检查，如腰椎穿刺来评估脑脊液生物标志物，也无法进行侵入性和昂贵的正电子发射断层扫描(PET)扫描。

尽管最近取得了进步，但使用ML技术开发的人工智能(AI)模型也存在一定的局限性。例如，虽然队列数据是结构化的，但它可能导致一般化。

关于研究

目前，研究人员开发了一种可解释且可靠的PPM，可以预测早期痴呆患者是否会发展为阿尔茨海默病，以及发展速度有多快。痴呆的早期阶段包括症状前或“认知正常”(CN)和轻度认知障碍(MCI)。

为了证明PPM的临床应用，研究人员对系统进行了基线、非侵入性和低成本数据的训练。此后，PPM在真实世界的样本外患者数据上进行了测试，并针对真实世界数据中的纵向诊断进行了验证。

获得的数据来自两个临床队列，作为独立的测试数据集，包括272名患者，一个来自阿尔茨海默病神经影像学倡议(ADNI)的研究队列，分别包括410名和609名患者的训练和验证样本，以及新加坡国立大学记忆老化和认知中心数据集(MACC)，包括605名患者。

为了利用多模态数据预测痴呆早期的认知能力下降，采用了一种基于广义度量学习向量量化(GMLVQ)的轨迹建模方法。对GMLVQ模型进行训练，以区分稳定型MCI (sMCI)和进行性MCI (pMCI)。sMCI患者在三年内一直被诊断为MCI，而pCMI患者在三年内进展为AD。

训练采用adenbrooke 's Cognitive Examination Revised memory scale (ACE-R memory)、Mini-Mental State Examination (MMSE)和来自ADNI数据的灰质(GM)密度来完成。

研究结果

在判断早期痴呆患者是否会保持稳定或进展为AD方面，PPM的预测准确率为81.7%，特异性为80.9%，敏感性为82.4%。有证据表明，MMSE、GM密度和ACE-R记忆之间存在相互作用，这表明多模态特征在精确区分sMCI和pMCI方面发挥了作用。

单独使用ACE-R记忆和MMSE训练模型的效果与同时使用认知和MRI数据训练模型的效果相似。当使用跨多模态数据的多变量交互时，该模型表现最佳。

模型衍生的预后指数与预测认知健康轨迹具有临床相关性。对于两个独立的数据集，ppm衍生的预后指数来自基线数据，并且在组间存在显著差异。当对多个测试案例(如AD、中度轻度认知障碍、轻度轻度认知障碍或CN3)进行MRI和认知数据训练时，该指数明显更高。

此前的研究报告称，高达35%的痴呆症病例被误诊。重要的是，PPM指数显示了通过对系统进行生物数据训练来降低误诊率的潜力。

与临床实践、逻辑回归模型和多变量回归模型中的典型评估相比，PPM具有更高的灵敏度和准确性。在针对纵向临床结果的验证练习中，PPM强有力地预测了早期疾病阶段(如MCI)的个体是否会发展为AD或保持稳定。这些发现在不同记忆中心的普遍性是人工智能引导的早期痴呆生物标志物领域的重大进展。

结论

该研究结果为一种可解释和强大的临床人工智能指导方法提供了证据，用于检测和分层早期痴呆患者。由于该标记物在不同地理区域的多中心纵向患者数据验证，因此具有在临床实践中采用的强大潜力。

在将该模型视为临床人工智能工具之前，需要包括来自代表性不足群体的数据，纳入临床护理数据以捕获合并症，并将PPM扩展到痴呆症亚型的预测。