文章来源：剑桥大学官方网站
剑桥大学的科学家开发了一种人工智能工具，能够在五分之四的病例中预测患有痴呆早期迹象的人是否会保持稳定或患上阿尔茨海默病。
该团队表示，这种新方法可以减少对侵入性和昂贵的诊断测试的需求，同时在生活方式改变或新药等干预措施可能有机会发挥最佳作用时及早改善治疗结果。
痴呆症对全球医疗保健构成了重大挑战，影响全球超过5500万人，估计每年损失8200亿美元。预计在未来50年内，病例数量将增加近两倍。
痴呆的主要原因是阿尔茨海默病，占病例的60-80%。早期发现至关重要，因为这是治疗可能最有效的时候，但如果不使用侵入性或昂贵的测试，如正电子发射断层扫描（PET）扫描或腰椎穿刺，早期痴呆诊断和预后可能不准确，并非所有记忆诊所都提供这些测试。因此，多达三分之一的患者可能被误诊，而其他患者则诊断得太晚而无法有效治疗。
由剑桥大学心理学系科学家领导的一个团队开发了一种机器学习模型，能够预测有轻度记忆和思维问题的人是否会以多快的速度发展为阿尔茨海默病。在今天发表在《电子临床医学》上的研究中，他们表明它比当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、非侵入性的和低成本的患者数据——认知测试和显示灰质萎缩的结构MRI扫描——来自美国研究队列的400多人。
然后，他们使用来自美国队列的另外600名参与者的真实世界患者数据以及来自英国和新加坡记忆诊所的900人的纵向数据来测试该模型。
该算法能够区分患有稳定轻度认知障碍的人和在三年内进展为阿尔茨海默病的人。它能够正确识别出在82%的病例中继续发展阿尔茨海默氏症的个体，并在81%的病例中正确识别那些没有通过认知测试和MRI扫描的人。
该算法在预测阿尔茨海默氏症进展方面的准确率是当前护理标准的三倍左右;即标准临床标志物（如灰质萎缩或认知评分）或临床诊断。这表明该模型可以显着减少误诊。
该模型还允许研究人员使用每个人第一次访问记忆诊所的数据将阿尔茨海默病患者分为三组：症状保持稳定的人（约50%的参与者），那些会缓慢进展到阿尔茨海默氏症的人（约35%）和那些进展更快的人（剩余的15%）。这些预测在查看 6 年的随访数据时得到了验证。这很重要，因为它可以帮助在足够早的阶段识别这些人，使他们可能从新的治疗方法中受益，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，那些有记忆力减退等症状但保持稳定的人，最好被引导到不同的临床途径，因为他们的症状可能是由于其他原因而不是痴呆，如焦虑或抑郁。
剑桥大学心理学系的资深作者Zoe Kourtzi教授说：“我们创建了一种工具，尽管仅使用认知测试和MRI扫描的数据，但在预测某人是否会从轻微症状发展到阿尔茨海默氏症方面，它比目前的方法要敏感得多 - 如果是这样，这种进展是快还是慢。”
这有可能显着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的时候，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。
虽然研究人员在研究队列的数据上测试了该算法，但它使用独立数据进行了验证，其中包括在英国和新加坡参加记忆诊所的近900人。在英国，患者是通过 NHS 记忆诊所研究中的量化 MRI （QMIN-MC） 招募的，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 Timothy Rittman 博士领导。
研究人员表示，这表明它应该适用于现实世界的患者临床环境。
CPFT名誉顾问精神病学家、剑桥大学精神病学系助理教授Ben Underwood博士说：“随着年龄的增长，记忆问题很常见。在临床上，我看到这些是否可能是痴呆的最初迹象的不确定性会给人们及其家人带来很多担忧，也让那些更愿意给出明确答案的医生感到沮丧。事实上，我们可能能够利用我们已经掌握的信息来减少这种不确定性，这一事实令人兴奋，并且随着新疗法的出现，这种不确定性可能会变得更加重要。
Kourtzi教授说：“人工智能模型的好坏取决于它们所训练的数据。为了确保我们的有可能在医疗保健环境中采用，我们不仅从研究队列中，而且从实际记忆诊所的患者那里对常规收集的数据进行了训练和测试。这表明它将可以推广到现实世界的环境中。
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，如血液检查的标志物。
Kourtzi教授补充说：“如果我们要应对痴呆带来的日益严重的健康挑战，我们将需要更好的工具来尽早识别和干预。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将正确的人分配到正确的诊断和治疗途径。我们的工具可以帮助将合适的患者与临床试验相匹配，加速疾病修饰治疗的新药发现。
