痴呆症是造成全球老年人出现能力丧失、无法自理等行为问题的主要原因之一，每年报告的近一千万例新病例给临床和社会经济带来了巨大的挑战。痴呆症的精确诊断对于改善患者的生活质量以及缓解社会的医疗、经济压力都具有重要意义。目前痴呆症的诊断一般依赖病史收集和行为观察完成，这种方法严重依赖人力，且特异性不足。随着专科医生紧缺的问题不断加剧，改进诊断工具的需求也日渐紧迫。

近日，一项来自美国波士顿大学的研究成果在《Nature Medicine》杂志上以“AI-based differential diagnosis of dementia etiologies on multimodal data”为题发表。该研究利用包括人口统计学、个人和家庭病史、药物使用、神经心理学评估、功能评估和多模态神经成像等多模态数据促进了多种痴呆症病因的识别。

研究基于9个地理上多样化的包含51,269名参与者的数据集展开。在区分正常认知、轻度认知障碍和痴呆症个体时，模型的AUROC达到了0.94。在ADNI和NACC数据集上的验证中，模型分别达到了0.94和0.96的AUROC，不同数据集上的稳健性能展现了强大的模型性能以及优秀的泛化性。研究还探索了在数据不完整情况下模型的表现，在ADNI数据集中，研究人员将69%的信息进行遮蔽，模型的加权平均AUROC仍可达到0.91，这表明模型具有在各种临床场景中的潜在适用性。

之后，在随机选择的100个病例的临床对比研究中，神经外科医生在AI辅助下诊断性能获得了26.25%的提升。此外，研究团队证实模型的概率预测与生物标志物的存在具有显著的相关性，表明模型对痴呆症的鉴别诊断机制可以反映既定的生物标志物标准。

该研究通过人工智能方法融合多模态数据的信息，实现了痴呆症的精确诊断。在数据集以及临床病例上的评估结果表明，AI模型提升了多种痴呆症病因的诊断性能，有望加强痴呆症的筛查能力，帮助医生选择适当的治疗策略并优化患者护理。

论文链接：

https://www.nature.com/articles/s41591-024-03118-z

注：此研究成果摘自《Nature Medicine》期刊，文章内容并不代表本网站的观点和立场，仅供参考。