马萨诸塞州总医院系统生物学中心最近进行的研究揭示了使用人工智能（AI）和脑部成像技术检测神经退行性疾病的前景进展。这项研究发表在《阿尔茨海默病》杂志上，探讨了尖端技术如何增强阿尔茨海默病、血管性痴呆和路易体痴呆等疾病的早期诊断和监测。
研究团队关注了临床环境中常见的多样化和不一致的脑部成像数据所带来的挑战。与受控的学术数据集不同，现实世界的医学图像在质量和模态上表现出显著的可变性，这可能会使诊断过程复杂化。为了解决这个问题，研究人员利用了从17,000名患者中收集的约308,000张三维脑部图像的庞大档案，旨在开发一种强大的AI模型，该模型能够区分各种神经退行性疾病。
研究的主要问题有两个方面：首先，确定如何从临床环境中典型的非结构化和异质性数据中提取有价值的见解；其次，设计一种AI模型，使其优先考虑与疾病相关的因果信息，而不是依赖可能不具临床相关性的相关性。
为了实现这一目标，研究人员借鉴了大语言模型的架构，创建了一个能够处理从一张到十四张不等的脑部图像数量的神经网络。这种创新方法涉及重新设计通常用于生成式AI的技术，使模型能够忽略患者年龄和成像部位等无关变量，而专注于特定疾病指示的关键生物标志物。
研究结果显示，AI模型在区分多种形式的痴呆症方面表现出令人印象深刻的准确性，其在阿尔茨海默病、血管性痴呆和轻度认知障碍等方面的曲线下面积（AUC）值超过了0.84。然而，该模型在识别多发性硬化症和癫痫方面遇到了挑战。成功的区分归因于模型分析皮层下脑结构大小的能力，特别是在评估不同疾病时对侧化的关注。值得注意的是，该模型的可靠性不仅限于其训练数据，在各种临床环境中都显示出有效性，包括来自布莱根妇女医院的数据。
这项研究突出了AI在医疗诊断中的应用迈出了关键一步。研究强调了需要能够弥合学术研究与临床实践之间差距的方法论，尤其是在医学成像领域。通过克服现有障碍并证明这些技术的可行性，研究结果为未来对其他神经系统疾病的研究铺平了道路。
展望未来，研究人员提出了几个未来工作的方向，包括分析更大的数据集以及开发针对神经影像学的可解释AI技术。此外，他们还建议探索该模型在预后应用和预测治疗结果方面的潜力，从而扩大其在临床实践中的影响。
【全文结束】
