來源：奇點糕 近期，劍橋大學Zoe Kourtzi團隊針對以上問題開發出了一款人工智能工具，即預測性預后模型（PPM），并在英國和新加坡的多中心隊列中對該模型進行了驗證。 總的來講，PPM能有效預測輕度認知障礙（MCI）患者是否會維持疾病穩定，還是會進一步進展為AD，預測準確率可達81.66%，曲線下面積（AUC）為0.84。 研究人員還在PPM的基礎上生成了一個個性化的預測性預后指數，與標準臨床指標（如大腦灰質的萎縮程度和認知測試得分）相比，該指數能更準確地預測患者進展為AD的風險（HR=3.42）。 研究發表在eClinicalMedicine上[1]。 在訓練PPM模型時，研究人員使用了該團隊之前開發的一種基于廣義矩陣學習向量量化（GMLVQ）分類框架的機器學習方法。 通過向PPM輸入阿爾茨海默病神經影像學計劃（ADNI）隊列中410名MCI患者基線時的大腦磁共振成像（MRI）數據（主要獲取顳葉灰質密度成像，以觀察大腦結構變化）、艾登布魯克認知測試修訂版（ACE-R）和簡易精神狀態評價量表（MMSE）結果，對PPM進行訓練。 經過訓練，PPM可以將這些患者分成疾病穩定型MCI患者（sMCI，即在3年期內一直被診斷為MCI的個體）和進展型MCI患者（pMCI，即在3年期內進展為AD的個體）。 隨后，研究人員又使用了三個數據集（英國國家醫療服務體系的定量MRI數據集[QMIN-MC，n=272]、新加坡國立大學記憶老化與認知中心的數據集[MACC，n=605]，以及同為ADNI隊列的另外609名參與者的數據）對該模型進行了驗證。 這些數據集包含了多種患者類型，可測試PPM是否具有普適性和臨床實用性。結果顯示，PPM能有效預測輕度認知障礙（MCI）患者是否會維持疾病穩定，還是會進一步進展為AD，預測準確率可達81.66%，曲線下面積（AUC）為0.84。 進一步，研究人員想將PPM的用途從診斷擴展到預后，于是他們利用標量投影方法生成了PPM（預測性預后模型）衍生的預后指數，來評估個體認知功能的變化。 結果發現，不同認知狀態（如認知正常、MCI和AD）的人在該指數上存在顯著差異，且在控制教育水平后，這些差異仍然顯著，這說明該指數可以用來評估個體的認知功能變化情況。 為了提高PPM的臨床實用性，研究人員開發了一種基于PPM衍生的預后指數對個體進行分層的方法。 最終根據認知衰退速率（即未來MMSE變化）的不同，研究人員描述了PPM衍生的預后指數代表的3種個體疾病進展的可能，即PPM指數<0的穩定型；PPM指數>1的快速進展型，以及PPM指數在0到1之間的緩慢進展型。 接下來，研究人員使用了來自MACC隊列的6年縱向數據，對認知正常（CN）和MCI患者（總計387名）進行了基于PPM衍生的預后指數的分層（其中穩定型189名，緩慢進展型111名，快速進展型87名），并驗證這些分層是否能準確預測這些參與者未來進展為AD的風險。 結果顯示，與傳統臨床診斷標準（認知正常，輕度MCI和重度MCI）相比，根據PPM衍生的預后指數分層可以更準確地預測個體在未來三年內轉化為AD的風險。 具體來說，被PPM預測為穩定的個體中，只有0.5%在三年內轉化為AD；預測為緩慢進展的個體中，有18.9%在三年內轉化為AD；預測為快速進展的個體中，有41.4%在三年內轉化為AD。 而根據傳統臨床診斷結果，被判定為認知正常的個體，有3.2%會在三年內轉化為AD；被判定為輕度MCI的個體，有11.8%會在三年內轉化為AD；被判定為重度MCI的個體，有30.6%會在三年內轉化為AD。 此外，多變量cox分析顯示，基于PPM預后指數的分層方法也比傳統臨床診斷分層方法更能精確地預測患者進展為AD的風險（HR=2.84）。 同樣，在PPM衍生的預后指數方面，多變量cox分析顯示，相比標準的臨床指標（如灰質萎縮MRI和MMSE評分），PPM衍生的預后指數能更準確地預測患者進展為AD的風險（HR=3.42）。 總之，該研究證實，以PPM為基礎的人工智能工具，可以準確預測患者未來進展為AD的風險，這也為AD的早期干預和個性化治療提供了幫助。正如本文通訊作者Zoe Kourtzi說的那樣“我們的愿景是擴大我們的人工智能工具的應用范圍，幫助臨床醫生在正確的時間為正確的人分配正確的診斷和治療路徑。”