基于人工智能多模态数据对痴呆症病因进行鉴别诊断

非诚勿扰孟非

生物标志物研究|第156期



点击蓝字，关注我们
期刊：Nature Medicine
影响因子：58.7
分类：神经
发表时间：2024/7/4
研究机构：美国波士顿大学计算机与数据科学学院、阿尔茨海默病研究中心

研究背景
痴呆症的诊断和管理是当今医疗领域的重要挑战，由于类型多样且症状重叠，实现准确诊断存在困难。其中阿尔茨海默病最常见，血管性痴呆、路易体痴呆和额颞叶痴呆等其他类型也很普遍，且常常共存。当前的诊断工具如脑脊液和PET生物标志物有助于改善诊断精度，但其可及性仍存在限制。通过结合神经影像数据与人口统计、病史和神经心理学评估等多模态数据，机器学习模型能够更准确识别不同类型痴呆症，不仅有望提高诊断精确性，还能够反映现实世界临床场景，有助于制定个性化治疗策略。研究开发了一种多模态机器学习框架，并在多个独立数据集上验证其有效性。

研究方法
研究收集了来自9个队列的51269名参与者数据，参与者被分为正常认知、轻度认知障碍和痴呆症三组，并进一步根据病因分类。数据包括人口统计、病史、神经心理测试、功能评估和MRI扫描。采用基于Transformer的机器学习模型，整合并分析多种类型数据，通过Shapley值分析增强模型的可解释性。



图1数据、模型架构和建模策略

研究内容
1.模型对于NC、MCI和痴呆症的表现
模型在区分正常认知（NC）、轻度认知障碍（MCI）和痴呆症时表现出色，具有强大的分类能力。与基线算法CatBoost相比，该模型在ADNI和FHS数据集中表现更为优异，证明了其在诊断任务中的通用性。Shapley分析揭示了影响模型决策的关键特征，包括认知状态、记忆表现、功能障碍及特定基因等，有助于模型的可解释性和准确性。



图2 模型的个体表现

2.不完整数据的模型性能
研究通过在NACC队列中引入数据缺失评估模型的预测性能。结果表明，即使数据缺失，模型仍能保持稳定预测，在ADNI和FHS数据集上具有适应性：在ADNI缺失69%数据时，AUROC为0.91，AUPR为0.86；在FHS缺失94%特征时，AUROC为0.68，AUPR为0.53。
3.与前驱期AD的模型一致
评估模型区分阿尔茨海默病相关轻度认知障碍病例与其他原因导致MCI病例的能力。结果表明，模型可以为AD相关MCI病例分配更高的AD概率。在痴呆病例中，该模型也能更准确识别出以AD为主要病因的病例。以上表明该模型不仅在早期检测AD方面有效，还能支持临床医生根据认知障碍的具体病因做出决策。
4.与CDR分数的模型对齐
模型预测的DE概率分数与临床痴呆评定量表（CDR）分数有很强的相关性。在NACC和ADNI数据集中，P%28DE%29能够显著区分不同的CDR评分，表明模型在检测认知障碍增量方面表现出色。但是在FHS数据集中，模型难以区分正常与受损状态，可能是数据集性质不同所致。
5.单一和共病痴呆症的评估
模型在诊断10种不同痴呆病因方面表现出色，微平均和加权平均的AUROC和AUPR分数分别达到了0.96和0.70以及0.94和0.73，具备广泛的诊断准确性。宏观平均AUPR较低可能反映出模型某些诊断性能的不均衡，加权平均分数显示其在真实环境中的有效性。在不同人口统计子群中，模型也表现出稳定的性能，微平均AUC超过0.94。对于共病痴呆，AUROC分数范围从0.63到0.97，AUPR从0.08到0.60，具有一定的诊断差异。



图3单一和共病痴呆症的模型评估

6.使用生物标志物验证模型
通过分析生物标志物的存在情况预测和诊断阿尔茨海默病（AD）、额颞叶痴呆（FTD）和路易体痴呆（LBD）。模型的预测结果与各自的生物标志物（如Aβ、tau、FDGPET、MRI和DaTscan）高度相关，验证了其在捕捉痴呆类型病理生理特征方面的有效性，并且与现有的临床诊断标准一致。



图4生物标志物水平验证

7.通过神经病理学证据验证模型
根据尸检数据预测痴呆相关病理的概率。结果表明，模型可以准确预测阿尔茨海默病及其相关病理标志物的严重程度，还有效预测了与AD相关的脑淀粉样血管病（CAA）和小动脉硬化。模型还可以区分不同类型的痴呆，如血管性痴呆（VD）和FTD，表明该模型在评估多种神经退行性疾病方面具有潜力。
8.人工智能增强临床医生评估
评估模型在痴呆症鉴别诊断中的性能，并与神经科医生诊断进行比较。结果表明，AI模型在检测真阳性病例方面表现优异，其预测概率普遍高于真阴性病例。模型在诊断AD、LBD等痴呆症类型时，与神经科医生的诊断信心高度一致，Pearson相关系数超过0.7，而对于一些复杂类型如进行性核上性麻痹（PSP）和正常压力脑积水（NPH），一致性较低。
通过结合AI模型的预测概率和神经科医生的信心评分，诊断性能得到显著提升。所有痴呆症类型的AUROC平均增加了26.25%，AUPR平均增加了73.23%，以进行性核上性麻痹（PRD）和外伤性脑损伤（TBI）的诊断性能提升最为显著。此外，AI还增强了神经放射科医生的诊断性能，AUROC和AUPR在多种痴呆症病因中均显著改善。



图5 人工智能增强临床医生诊断

结论
该研究提出一种新型人工智能模型用于痴呆症的鉴别性诊断。该模型通过处理多模态数据，能够准确区分不同病因的痴呆症如AD、VD和LBD，其帮助临床医生识别和管理痴呆症的多因素特性，从而有助于优化个性化治疗策略。
通过在多组独立队列中进行训练和验证，证明了模型的稳健性，其预测结果得到了生物标志物和尸检数据的支持。研究展示了、先进计算方法在痴呆症鉴别性诊断中的潜力，通过进一步验证研究，该模型有望在提升痴呆症护理标准方面发挥作用。

参考文献
Xue C, Kowshik SS, Lteif D, et al. AI-based differential diagnosis of dementia etiologies on multimodal data. Nat Med. 2024, 30%2810%29:2977-2989.

关于我们
大分子生物医药网是一个生物行业综合类型的门户平台，总部位于浙江杭州，近几年，随着大分子生物医药蓬勃发展，各类创新的技术都发挥了很大的作用，为了进一步促进大分子生物医药领域学术交流及科学领域研究，大分子生物医药平台为广大用户、药企和临床医生提供优质的行业新闻、知识分享、文献解读以及生物技术方面的资讯内容。





原文地址：https://zhuanlan.zhihu.com/p/18908025761