《柳叶刀》子刊：轻度认知障碍会不会变成阿尔茨海默病？剑桥大学开发的AI模型预测准确率可达81.66%

近期，剑桥大学Zoe Kourtzi团队针对以上问题开发出了一款人工智能工具，即预测性预后模型（PPM），并在英国和新加坡的多中心队列中对该模型进行了验证。

总的来讲，PPM能有效预测轻度认知障碍（MCI）患者是否会维持疾病稳定，还是会进一步进展为AD，预测准确率可达81.66%，曲线下面积（AUC）为0.84。

研究人员还在PPM的基础上生成了一个个性化的预测性预后指数，与标准临床指标（如大脑灰质的萎缩程度和认知测试得分）相比，该指数能更准确地预测患者进展为AD的风险（HR=3.42）。

研究发表在eClinicalMedicine上[1]。

论文首页截图

在训练PPM模型时，研究人员使用了该团队之前开发的一种基于广义矩阵学习向量量化（GMLVQ）分类框架的机器学习方法。

通过向PPM输入阿尔茨海默病神经影像学计划（ADNI）队列中410名MCI患者基线时的大脑磁共振成像（MRI）数据（主要获取颞叶灰质密度成像，以观察大脑结构变化）、艾登布鲁克认知测试修订版（ACE-R）和简易精神状态评价量表（MMSE）结果，对PPM进行训练。

经过训练，PPM可以将这些患者分成疾病稳定型MCI患者（sMCI，即在3年期内一直被诊断为MCI的个体）和进展型MCI患者（pMCI，即在3年期内进展为AD的个体）。

随后，研究人员又使用了三个数据集（英国国家医疗服务体系的定量MRI数据集[QMIN-MC，n=272]、新加坡国立大学记忆老化与认知中心的数据集[MACC，n=605]，以及同为ADNI队列的另外609名参与者的数据）对该模型进行了验证。

PPM训练和验证队列

这些数据集包含了多种患者类型，可测试PPM是否具有普适性和临床实用性。结果显示，PPM能有效预测轻度认知障碍（MCI）患者是否会维持疾病稳定，还是会进一步进展为AD，预测准确率可达81.66%，曲线下面积（AUC）为0.84。

进一步，研究人员想将PPM的用途从诊断扩展到预后，于是他们利用标量投影方法生成了PPM（预测性预后模型）衍生的预后指数，来评估个体认知功能的变化。

结果发现，不同认知状态（如认知正常、MCI和AD）的人在该指数上存在显著差异，且在控制教育水平后，这些差异仍然显著，这说明该指数可以用来评估个体的认知功能变化情况。

为了提高PPM的临床实用性，研究人员开发了一种基于PPM衍生的预后指数对个体进行分层的方法。

最终根据认知衰退速率（即未来MMSE变化）的不同，研究人员描述了PPM衍生的预后指数代表的3种个体疾病进展的可能，即PPM指数<0的稳定型；PPM指数>1的快速进展型，以及PPM指数在0到1之间的缓慢进展型。

根据PPM衍生的指数进行的分层

接下来，研究人员使用了来自MACC队列的6年纵向数据，对认知正常（CN）和MCI患者（总计387名）进行了基于PPM衍生的预后指数的分层（其中稳定型189名，缓慢进展型111名，快速进展型87名），并验证这些分层是否能准确预测这些参与者未来进展为AD的风险。

结果显示，与传统临床诊断标准（认知正常，轻度MCI和重度MCI）相比，根据PPM衍生的预后指数分层可以更准确地预测个体在未来三年内转化为AD的风险。

具体来说，被PPM预测为稳定的个体中，只有0.5%在三年内转化为AD；预测为缓慢进展的个体中，有18.9%在三年内转化为AD；预测为快速进展的个体中，有41.4%在三年内转化为AD。

纵向队列验证

而根据传统临床诊断结果，被判定为认知正常的个体，有3.2%会在三年内转化为AD；被判定为轻度MCI的个体，有11.8%会在三年内转化为AD；被判定为重度MCI的个体，有30.6%会在三年内转化为AD。

此外，多变量cox分析显示，基于PPM预后指数的分层方法也比传统临床诊断分层方法更能精确地预测患者进展为AD的风险（HR=2.84）。

同样，在PPM衍生的预后指数方面，多变量cox分析显示，相比标准的临床指标（如灰质萎缩MRI和MMSE评分），PPM衍生的预后指数能更准确地预测患者进展为AD的风险（HR=3.42）。

总之，该研究证实，以PPM为基础的人工智能工具，可以准确预测患者未来进展为AD的风险，这也为AD的早期干预和个性化治疗提供了帮助。正如本文通讯作者Zoe Kourtzi说的那样“我们的愿景是扩大我们的人工智能工具的应用范围，帮助临床医生在正确的时间为正确的人分配正确的诊断和治疗路径。”