每年有数百万人被诊断患有阿尔茨海默病，占全球痴呆症病例的60%至70%。虽然认知功能障碍和大脑结构变化是阿尔茨海默病进展的指标，但准确预测谁将发展为阿尔茨海默病的过程既耗时又需要多种技术，包括脑部成像、血液生物标志物以及神经心理学家进行的神经认知测试。
虽然人工智能深度学习模型在预测阿尔茨海默病诊断方面已显示出一定成效，但少数能预测认知功能的深度学习模型需要昂贵的多模态神经成像和纵向数据。此外，阿尔茨海默病的异质性使早期检测变得困难，因此像认知评估这样的定性措施对于更好的预后、疾病轨迹追踪和临床试验参与仍然至关重要。目前神经心理学家进行的神经认知电池测试既耗时，患者获取测试的机会也可能面临挑战。
虽然MRI是最临床易获取的测试方法，但单独使用时，在深度学习框架中难以捕捉临床进展和认知功能障碍的变异性。
为了在不需要大量测试测量的情况下实现对与阿尔茨海默病相关的认知功能障碍的准确预测，加州大学旧金山分校(UCSF)的研究人员提出了一种多任务深度学习策略，该策略利用专业领域知识、定制的深度学习模型和大型预训练模型，仅使用基线MRI和相关人口统计学数据来预测认知分数。他们策略中的关键创新是训练了一个图像模型来完成相邻任务——即将脑部图像分割为灰质、白质或脑脊液——旨在克服现成AI模型的局限性。
扩展更多诊所的使用
在5月18日发表在《自然·衰老》杂志上的一项研究中，这种基于领域知识的多任务框架优于所有现有AI方法，包括标准转移学习（一种在数据有限情况下使用的机器学习方法）。它从单一基线扫描中产生了对多种临床相关结果的准确且领先的预测，包括阿尔茨海默病诊断、组织分割以及当前和未来的认知分数。
"与以前的方法不同，我们的模型不需要基线认知评估、专门的图像处理管道、昂贵的PET扫描、基因分析或液体蛋白质组学，使其成为大多数临床环境中的快速、准确且易于实施的工具，"资深研究作者、加州大学旧金山分校放射学和生物医学影像学教授Ashish Raj博士表示。"我们的技术为其他用户，特别是临床医生，提供了受益于我们提出模型学到的隐式空间脑部表征的机会，而无需这些计算管道的专业知识。"
研究人员使用了来自阿尔茨海默病神经影像学倡议(ADNI)数据库的数据进行训练、测试和验证，其中包括人口统计学、MRI、诊断和认知评估。他们在训练中纳入了人类连接组项目年轻成人队列的成人脑部扫描数据，以使模型接触到通常表现出最小或无萎缩的成人脑部扫描。此外，他们还从达拉斯生命跨度脑研究收集了一个外部测试数据集，其中包含关于衰老受试者的多模态数据，包括MRI和认知分数。研究人员发现，这种策略提高了分割模型的泛化性和稳健性，并减少了下游任务中的分割错误。
"与其它处理流程相比，我们在速度和性能方面报告了有意义的提升，这可能在开发快速临床预测认知障碍方面证明有价值，从而在将患者转诊至更高级的影像实验室和/或完整的神经放射学报告之前，"该研究的第一作者、加州大学旧金山分校Raj实验室的机器学习专家Daren Ma表示。"这避免了使用高度专业化、耗时且计算需求高的MRI形态测量软件的需要，并对早期诊断、预后和临床试验设计具有广泛意义。"
预测帕金森病、ALS和亨廷顿病
作者认为，他们的工作可能有助于更好地表征阿尔茨海默病以外的形态与认知之间的联系，例如帕金森病、肌萎缩侧索硬化症(ALS)和亨廷顿病等其他神经退行性疾病。基线认知的预测在缺乏专业神经认知评估技能的社区环境中也可能有所帮助。此外，该研究还提供了一种使用最少输入数据预测纵向认知变化的方法。
"仅使用基线数据就能正确预测进展者和非进展者，可以大幅减少样本量和成本，"Raj说。"我们的模型也可能作为患者选择和跟踪大型疾病修饰药物临床试验中疾病进展的工具。"
作者表示，未来的模型可以包括额外的测量，这些测量在可用时可以进一步提高临床实用性和帮助认知预测。这些包括纵向MR和PET、遗传学、血液和脑脊液(CSF)蛋白质生物标志物。
"在实践中的临床效用将取决于特定用例和环境，并将在未来的研究中需要仔细评估，"Raj说。
附加UCSF作者：Abhejit Rajagopal和Yang Yang。
附加非UCSF作者：Christabelle Pabalan、Akanksha Akanksha和Yannet Interian。
资金：本研究获得了NIH资助：R01AG072753（AR）、R21AG087921（AR）、RF1AG087302（AR）。
披露：作者声明没有竞争利益。
【全文结束】
