利用人工智能改善阿尔茨海默病预测Improving Prediction of Alzheimer’s Disease with AI | Newswise

环球医讯 / AI与医疗健康来源:www.newswise.com美国 - 英语2026-05-26 17:41:57 - 阅读时长5分钟 - 2253字
加州大学旧金山分校研究人员开发出一种多任务深度学习策略,仅需一次基线MRI扫描即可准确预测阿尔茨海默病相关认知障碍,该方法无需基线认知评估、专业图像处理流程、昂贵的PET扫描、基因分析或液体蛋白质组学,为临床环境提供了快速、准确且易于实施的工具;在《自然·衰老》期刊发表的研究显示,这种基于领域知识的框架在预测阿尔茨海默病诊断、组织分割以及当前和未来认知评分方面均优于现有AI方法,对早期诊断、预后评估和临床试验设计具有重大意义,未来还有望应用于帕金森病、肌萎缩侧索硬化症和亨廷顿病等其他神经退行性疾病的预测。
阿尔茨海默病认知障碍人工智能深度学习MRI扫描神经退行性疾病早期诊断认知评分疾病预测
利用人工智能改善阿尔茨海默病预测

Newswise — 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耗时且需要多种技术,包括脑部成像、血液生物标志物和神经心理学家进行的神经认知测试。

虽然深度学习模型在预测阿尔茨海默病诊断方面已取得一定成功,但少数能够预测认知能力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得早期检测变得困难,因此认知评估等定性测量对于更好的预后、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测试耗时较长,患者获取测试的机会也可能面临挑战。

尽管磁共振成像(MRI)是临床上最容易获取的检测手段,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障碍的变异性。

为了在不进行大量测试的情况下准确预测与阿尔茨海默病相关的认知障碍,加州大学旧金山分校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,仅使用一次基线MRI扫描和相关人口统计学数据来预测认知评分。他们策略中的关键创新是一个经过训练以完成相关任务的图像模型——即将脑部图像分割为灰质/白质/脑脊液的组织分类——旨在克服现成AI模型的局限性。

在5月18日发表于《自然·衰老》的一项研究中,这种基于领域知识的多任务框架表现优于所有现有的AI方法,包括标准的迁移学习(一种在数据有限情况下使用的机器学习方法)。它仅通过一次基线扫描,就对多种临床相关结果(包括阿尔茨海默病诊断、组织分割以及当前和未来的认知评分)产生了准确且领先的预测。

资深研究作者、加州大学旧金山分校放射学和生物医学成像教授Ashish Raj博士表示:"与先前的方法不同,我们的模型不需要基线认知评估、专业图像处理流程、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快速、准确且易于实施的工具。我们的技术为其他用户,特别是临床医生,提供了从我们提出的模型所学习的隐式空间脑部表征中受益的机会,而无需具备这些计算流程的专业知识。"

研究人员使用了来自阿尔茨海默病神经影像学倡议数据库的数据进行训练、测试和验证,这些数据包括人口统计学信息、MRI、诊断和认知评估。他们在训练中纳入了人类连接组计划青年成人队列的成人脑部扫描数据,使模型接触到通常表现出最小或没有萎缩的成人脑部扫描。此外,他们还从达拉斯 lifespan 脑部研究中收集了一个外部测试数据集,该数据集包含关于衰老受试者的多模态数据,包括MRI和认知评分。研究人员发现,这一策略提高了分割模型的通用性和稳健性,并减少了下游任务中分割错误的易感性。

加州大学旧金山分校Raj实验室的机器学习专家、该研究的第一作者Daren Ma硕士表示:"我们报告了在速度和性能方面相对于其他流程的显著提升,这对于在将患者转诊至更高级的影像学实验室和/或完整的神经放射学报告之前,开发快速的临床认知障碍预测非常有价值。这避免了使用高度专业化、耗时且计算量大的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、肌萎缩侧索硬化症和亨廷顿病

作者认为,他们的工作可能有助于更好地描述阿尔茨海默病以外的形态学与认知之间的联系,例如帕金森病、肌萎缩侧索硬化症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成为巨大障碍的社区环境中也可能很有帮助。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。

Raj表示:"仅使用基线数据就能正确预测进展者和非进展者的能力可以大幅减少样本量和成本。我们的模型也可能有潜力作为在大规模疾病修饰药物临床试验中进行患者选择和进展跟踪的工具。"

作者表示,未来的模型可以包含更多可用的测量指标,以进一步提高临床实用性并帮助预测认知。这些包括纵向MR和PET、遗传学、血液和脑脊液蛋白质生物标志物。

Raj表示:"在实践中,临床实用性将取决于具体的使用案例和环境,并需要在未来的研究中进行仔细评估。"

加州大学旧金山分校其他作者:Abhejit Rajagopal和Yang Yang。

非加州大学旧金山分校其他作者:Christabelle Pabalan、Akanksha Akanksha和Yannet Interian。

资金支持:本研究获得美国国立卫生研究院资助:R01AG072753 (AR)、R21AG087921 (AR)、RF1AG087302 (AR)。

披露:作者声明不存在利益冲突。

关于UCSF Health:UCSF Health因其创新的患者护理而享誉全球,体现了最新的医学知识、先进技术和开创性研究。它包括旗舰UCSF医学中心(一家排名靠前的医院),以及在旧金山和奥克兰设有校区的UCSF Benioff儿童医院;两家社区医院——UCSF Health Stanyan医院和UCSF Health Hyde医院;Langley Porter精神病院;UCSF Benioff儿童医师;以及UCSF教师执业机构。这些医院作为加州大学旧金山分校的学术医疗中心,该校以其研究生级别的健康科学教育和生物医学研究而世界闻名。UCSF Health与整个旧金山湾区的医院和健康组织有合作关系。

【全文结束】