-
生物通官微
陪你抓住生命科技
跳動的脈搏
人工智能預測阿爾茨海默氏癥進展的準確率高達82%
【字體: 大 中 小 】 時間:2024年07月20日 來源:賽特科技
編輯推薦:
劍橋大學的研究人員開發了一種人工智能工具,可以使用非侵入性和成本效益高的方法,準確預測早期癡呆癥狀患者的阿爾茨海默病進展。這一創新可以顯著減少對昂貴的診斷程序的依賴,并改善早期干預策略,可能使全球數百萬人受益。
劍橋大學的人工智能模型可以預測阿爾茨海默氏癥82%的進展精度使用簡單的認知測試和核磁共振掃描,為傳統診斷提供了一種非侵入性和更便宜的選擇。
劍橋大學的科學家們開發了一種人工智能工具,能夠在五分之四的情況下預測有早期癡呆癥癥狀的人是會保持穩定還是會發展成阿爾茨海默病。
研究小組說,這種新方法可以減少對侵入性和昂貴的診斷測試的需求,同時在改變生活方式或新藥等干預措施可能有機會發揮最佳作用時,早期改善治療結果。
癡呆癥是一項重大的全球醫療保健挑戰,影響全球5500多萬人,估計每年造成8200億美元的損失。預計今后50年病例數將增加近兩倍。
癡呆癥的主要病因是阿爾茨海默病,占病例的60-80%。早期發現是至關重要的,因為這是治療可能最有效的時候,然而,如果不使用侵入性或昂貴的檢查,如正電子發射斷層掃描(PET)掃描或腰椎穿刺,早期癡呆癥的診斷和預后可能不準確,而這些檢查并不是在所有的記憶診所都能得到。結果,多達三分之一的患者可能被誤診,而其他患者被診斷得太晚而無法有效治療。
由劍橋大學心理學系的科學家領導的一個團隊開發了一種機器學習模型,能夠預測患有輕度記憶和思維問題的個體是否會發展為阿爾茨海默病,以及發展速度有多快。在今天(7月12日)發表在《臨床醫學》雜志上的研究中,他們表明這種方法比目前的臨床診斷工具更準確。
為了建立他們的模型,研究人員使用了常規收集的、非侵入性的、低成本的患者數據——認知測試和顯示灰質萎縮的結構MRI掃描——來自400多名美國研究隊列的個體。
然后,他們使用來自美國隊列的另外600名參與者的真實患者數據,以及來自英國和新加坡記憶診所的900名患者的縱向數據來測試該模型。
該算法能夠區分穩定的輕度認知障礙患者和在三年內發展為阿爾茨海默病的患者。僅通過認知測試和核磁共振掃描,它就能在82%的病例中正確識別出患有阿爾茨海默病的人,在81%的病例中正確識別出沒有患上阿爾茨海默病的人。
該算法在預測阿爾茨海默氏癥進展方面的準確性是目前標準護理的三倍左右;也就是說,標準的臨床標記(如灰質萎縮或認知評分)或臨床診斷。這表明該模型可以顯著減少誤診。
該模型還允許研究人員使用每個人首次訪問記憶診所的數據將患有阿爾茨海默病的人分為三組:癥狀保持穩定的人(約50%的參與者),緩慢發展為阿爾茨海默病的人(約35%)和進展較快的人(其余15%)。這些預測在6年的隨訪數據中得到了驗證。這很重要,因為它可以幫助在足夠早的階段識別那些可能從新治療中受益的人,同時也可以識別那些需要密切監測的人,因為他們的病情可能會迅速惡化。
重要的是,那些有記憶喪失等癥狀但保持穩定的50%的人,最好被引導到不同的臨床途徑,因為他們的癥狀可能是由其他原因引起的,而不是由癡呆引起的,比如焦慮或抑郁。
劍橋大學心理學系的資深作者佐伊·庫爾齊教授說:“我們發明了一種工具,盡管只使用認知測試和核磁共振掃描的數據,但在預測一個人是否會從輕微癥狀發展為阿爾茨海默氏癥方面,它比目前的方法要靈敏得多——如果是這樣,這個過程是快還是慢!
“這有可能顯著改善患者的健康狀況,向我們展示哪些人需要最密切的護理,同時消除那些我們預測將保持穩定的患者的焦慮!痹卺t療資源面臨巨大壓力之際,這也將有助于消除對不必要的侵入性和昂貴的診斷測試的需求!
雖然研究人員在一個研究隊列的數據上測試了這個算法,但它是用獨立的數據來驗證的,這些數據包括了近900名在英國和新加坡參加記憶診所的人。在英國,通過定量MRI在NHS記憶診所研究(QMIN-MC)中招募患者,該研究由劍橋大學醫院NHS信托基金和劍橋郡和彼得伯勒NHS基金會信托基金(CPFT)的研究合著者Timothy Rittman博士領導。
研究人員說,這表明它應該適用于現實世界的病人,臨床環境。
劍橋大學精神病學系助理教授、CPFT名譽精神病學顧問本·安德伍德博士說:“隨著年齡的增長,記憶問題很常見。在診所里,我看到這些是否可能是癡呆癥的最初跡象的不確定性如何給人們和他們的家人帶來很多擔憂,也讓那些更愿意給出明確答案的醫生感到沮喪。事實上,我們可能能夠用我們已經掌握的信息來減少這種不確定性,這是令人興奮的,隨著新療法的出現,這可能會變得更加重要!
庫爾齊教授說:“人工智能模型的好壞取決于它們所接受的訓練數據。為了確保我們的方法有可能在醫療環境中被采用,我們對它進行了訓練和測試,這些數據不僅來自研究隊列,還來自實際記憶診所的患者。這表明它可以推廣到現實世界!
該團隊現在希望將他們的模型擴展到其他形式的癡呆,如血管性癡呆和額顳葉癡呆,并使用不同類型的數據,如血液測試中的標記物。
庫爾齊教授補充說:“如果我們要解決癡呆癥帶來的日益嚴重的健康挑戰,我們將需要更好的工具來識別和干預盡可能早的階段!蔽覀兊脑妇笆菙U大我們的人工智能工具,幫助臨床醫生在正確的時間為正確的診斷和治療途徑分配正確的人員。我們的工具可以幫助匹配合適的患者進行臨床試驗,加速新藥的發現,以改善疾病的治療!