英国剑桥大学开发出的AI模型在预测阿尔茨海默症方面超过了临床测试

老痴呆症（阿尔茨海默疾病）是一个全球性的健康挑战，影响超过5500万人，估计每年造成 8200 亿美元的费用预计未来50年病例数将增加近三倍。 阿尔茨海默疾症，占病例的60-80%。早期检测非常关键，因为这时治疗最可能有效，但如果没有侵入性或昂贵的测试如正电子发射断层扫描 (PET) 或腰椎穿刺，早期痴呆症的诊断和预后可能并不准确，而这些测试并不是所有记忆诊所都能提供的。因此，多达三分之一的患者可能会被误诊，其他患者的诊断则太晚，无法有效治疗。 剑桥大学心理学系的科学家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多快会发展为阿尔茨海默症。研究结果显示，该模型比当前临床诊断工具更准确。 该算法在预测阿尔茨海默症进展方面比目前的护理标准 （如灰质萎缩或认知评分等临床标志或临床诊断） 准确高出约三倍 。这表明该模型可以 显著减少误诊。 该算法能够区分具有稳定轻度认知障碍的人和那些在三年内发展为阿尔茨海默病的人。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。 该研究解决了当前缺乏敏感和可解释工具进行早期痴呆症预测的问题，减少了误诊和未诊断的情况。 主要发现 减少误诊和晚诊 ： 该机器学习模型显著减少了误诊和晚诊的情况，提高了早期诊断的准确性。通过准确预测哪些患者会在短期内发展为阿尔茨海默症，医疗机构可以在症状尚未严重时采取有效的干预措施。 预测准确性 ： 模型使用认知测试和结构性MRI扫描数据，在预测阿尔茨海默症进展方面，比现有临床方法准确约三倍。 模型正确识别出发展为阿尔茨海默症的病例准确率为82%，正确识别出未发展病例的准确率为81%。这一准确率显著高于目前的临床标准。 实际应用 ： 研究表明，该模型在实际临床环境中具有广泛的适用性。研究团队在英国和新加坡的记忆诊所中验证了模型的有效性，证明其在真实世界中的可靠性。 通过常规收集的低成本、非侵入性数据，该模型展示了其在医疗资源紧张时的巨大潜力。 个性化诊断和治疗 ： 该模型不仅能够预测疾病进展的速度，还可以帮助医疗专业人员根据患者的初次就诊数据，模型能够将阿尔茨海默症患者分为症状稳定、缓慢进展和快速进展三类，这有助于识别需要密切监控和早期治疗的患者，从而提高治疗效果，改善患者预后。 对于症状稳定的50%患者，模型可以建议其进行其他非痴呆相关的临床路径，例如焦虑或抑郁。 扩展潜力 ： 研究团队计划将该模型扩展应用到其他类型的痴呆症（如血管性痴呆和额颞叶痴呆）以及不同类型的数据（如血液检测标志物）。这种扩展将进一步提高痴呆症早期诊断和治疗的能力。 技术方法详细介绍 为了构建他们的模型，研究人员使用了常规收集的、非侵入性和低成本的患者数据——认知测试和显示灰质萎缩的结构性MRI扫描——来自美国研究队列中的400多名个体。

然后，他们使用来自美国队列的600名参与者的真实世界患者数据进行了模型测试——重要的是，还使用了来自英国和新加坡记忆诊所的900人长期数据。

1. 模型概述 该研究开发了一种预测模型，称为“预测预后模型（Predictive Prognostic Model, PPM）”，其目的是在早期阶段（如轻度认知障碍，MCI）预测患者是否会进展为阿尔茨海默病（AD）。该模型的关键在于其稳健性和可解释性，通过使用常规收集的非侵入性和低成本数据（认知测试和结构性MRI）进行训练和验证。 2. 数据集 训练数据 ：使用阿尔茨海默病神经影像倡议（ADNI）研究队列的数据，包括410个训练样本和609个验证样本。 测试数据 ：来自两个临床队列的独立测试数据集：英国国家健康服务记忆诊所的定量MRI数据（QMIN-MC，n=272）和新加坡国立大学记忆衰老与认知中心的数据（MACC，n=605）。 模型训练和测试使用的数据来自三个不同的来源： 阿尔茨海默病神经影像学计划（ADNI） ：用于模型训练和内部验证。 英国国家卫生服务记忆诊所（QMIN-MC） ：用于外部测试。 新加坡国立大学记忆、老龄化与认知中心（MACC） ：用于外部测试。 这些数据集涵盖了不同的患者人群和数据收集工具，确保了模型的广泛适用性和通用性。 3. PPM构建流程 特征提取与调整 ： 提取认知测试得分（ACE-R memory、MMSE）和结构性MRI特征（如颞叶灰质密度）。 调整数据以考虑潜在的混杂变量（如年龄、性别、教育程度）。 模型选择与训练 ： 使用广义度量学习向量量化（GMLVQ）方法，该方法通过迭代调整类别特定的原型和学习类别边界来预测未来的认知衰退。 进行超参数调整，采用嵌套交叉验证方法。 为解决数据集类别不平衡问题，使用随机下采样和集成学习方法。 模型训练过程中，使用多模态数据（认知测试+MRI数据）和单一模态数据（仅认知测试数据）进行比较，以评估MRI数据的重要性。 模型验证 ： 采用10次10折交叉验证评估模型性能，计算分类准确性、AUC、敏感度和特异度等指标。 在独立的ADNI验证样本中测试PPM导出的预测指数，以确保模型的稳健性。 生存分析与长期验证 ： 使用MACC样本的6年随访数据进行生存分析，验证PPM在基线数据基础上对未来认知健康轨迹的预测能力。 使用Cox比例风险回归分析评估PPM导出的预测指数在预测AD转换风险方面的有效性。 PPM的细节与算法 广义度量学习向量量化（GMLVQ） ： GMLVQ是一种基于距离度量的分类方法，通过学习类别边界和类中心来进行分类。 使用多模态数据（认知测试+MRI数据），GMLVQ通过迭代优化类中心和度量矩阵来提高分类准确性。 GMLVQ模型中，度量矩阵的对角元素代表单变量预测因子的贡献，而非对角元素则揭示了特征之间的交互作用。 超参数调整与交叉验证 ： 使用嵌套交叉验证方法进行超参数调整，确保模型的泛化性能。 为减轻类别不平衡的影响，使用随机下采样和平衡类集成学习方法进行训练。 主要结果发现 模型的性能 分类准确性 ： PPM在区分轻度认知障碍（MCI）患者是否会进展为阿尔茨海默病（AD）方面表现出高准确性，预测准确率为81.66%，AUC值为0.84，敏感度为82.38%，特异度为80.94%。 特征贡献 ： ACE-R记忆量表是区分稳定性MCI（sMCI）和进展性MCI（pMCI）的最具判别力的特征，其权重为0.40。 简易精神状态检查（MMSE）和颞叶灰质密度的权重分别为0.31和0.29。 这些特征之间存在正交互作用，有助于提高模型的分类准确性。 预测模型能够在患者首次访问记忆诊所时，根据他们的数据将阿尔茨海默病患者分为三组。这三组分别是： 症状保持稳定 ：约占50%的患者，他们的症状在未来不会明显恶化。 慢慢进展为阿尔茨海默病 ：约占35%的患者，他们的病情会逐渐恶化。 快速进展 ：约占15%的患者，他们的病情会迅速恶化。 这些分类是基于患者在初次诊断时的认知测试和MRI数据进行的预测，并且在随后的6年内，通过对这些患者的跟踪数据进行了验证，证明了模型的准确性和可靠性。 这很重要的原因在于： 早期识别高风险患者 ：能够在症状还没有明显恶化的早期识别出那些将来可能快速恶化的患者，从而可以尽早进行干预和治疗。 个性化治疗计划 ：医生可以根据患者的进展风险，制定更加个性化的治疗和监控计划。例如，对于症状保持稳定的患者，可能不需要频繁的监控，而对于快速进展的患者，则需要密切监控和更积极的治疗措施。 临床验证与泛化能力 （PPM）在临床验证中的表现 准确预测疾病进展 稳定患者 ：基线预测为稳定的个体中，仅有0.5%在3年内进展为阿尔茨海默病（AD）。 缓慢进展患者 ：基线预测为缓慢进展的个体中，有18.9%在3年内进展为AD。 快速进展患者 ：基线预测为快速进展的个体中，有41.4%在3年内进展为AD。 降低误诊率 误诊减少 ：PPM能够减少早期痴呆症阶段的误诊率，尤其是在预测轻度认知障碍（MCI）患者是否会进展为AD方面。 高风险患者识别 ：模型能够识别出高风险患者，这些患者需要进一步的侵入性检测和早期干预。 相比传统方法的优势 与灰质萎缩和MMSE得分相比 ：PPM导出的预测指数在预测AD转换风险方面表现更优（风险比=3.42，p=0.015），而灰质密度（p=0.24）和MMSE得分（p=0.92）在预测转换风险时并不显著。 预测精度 ：PPM的预测准确率为81.66%，AUC值为0.84，敏感度为82.38%，特异度为80.94%，显著优于传统的临床标志和诊断方法。 生存分析 生存率对比 ： 预测为稳定的患者在3年内的生存率显著高于缓慢和快速进展患者。 Kaplan-Meier生存曲线显示，基线预测为稳定的患者几乎不会转换为AD，而快速进展患者的转换率显著高于其他组别。 多变量Cox比例风险回归分析 ： 模型导出的预测指数在预测AD转换风险方面表现显著（风险比=3.42，p=0.015），显示其在临床中的潜在应用价值。 临床应用的潜力 早期诊断和干预 PPM能够帮助医生在患者出现明显症状之前进行早期诊断，从而实现早期干预，改善患者预后。 通过识别高风险个体，医生可以提供个性化的治疗方案，如生活方式干预或药物治疗。 减少不必要的侵入性检测 使用PPM，医生可以减少不必要的侵入性检测，如PET扫描和腰椎穿刺，从而降低患者的经济和心理负担。 仅对高风险患者进行深入检查，优化资源配置，提高诊断效率。 标准化诊断流程 PPM可以帮助标准化痴呆症的诊断流程，减少不同医疗机构之间的诊断差异，确保患者获得一致的诊断和治疗。 长期随访和管理 通过定期使用PPM监测患者的认知状态，医生可以及时调整治疗方案，提供持续的随访和管理，改善患者长期健康状况。 研究结果表明，PPM是一种稳健且可解释的AI引导的多模态标志，能够在早期阶段准确预测痴呆症的进展风险，其预测精度显著优于标准临床标志或临床诊断。这一模型具有强大的临床应用潜力，有望帮助医生更好地分配资源，减少侵入性诊断测试的需要，并为患者提供个性化的诊断和治疗方案。 剑桥官网介绍： https://www.cam.ac.uk/research/news/artificial-intelligence-outperforms-clinical-tests-at-predicting-progress-of-alzheimers-disease 论文： https://www.thelancet.com/journals/eclinm/article/PIIS2589-5370(24)00304-3/fulltext