眾人皆知，艾爾茨海默病（AD）的早期診斷向來是一項難題。盡管在近兩年來，人工智慧取得了空前的進步，然而直到現在，我們依然缺少靈敏的工具用於對可能發展成 AD 的患者群體實施早期的判別，致使眾多患者失去了最優的幹預時機。
近日，劍橋大學的 Zoe Kourtzi 團隊就上述問題研發出一種人工智慧工具——預測性預後模型（PPM），且於英國和新加坡的多中心佇列裏對該模型予以了驗證。
論文起始頁截圖
於訓練 PPM 模型之際，研究人員運用了該團隊先前研發的一種基於廣義矩陣學習向量量化（GMLVQ）分類框架的機器學習手段。
將艾爾茨海默病神經影像學計劃（ADNI）佇列中 410 名輕度認知障礙（MCI）患者基線時的大腦磁共振成像（MRI）數據（主要為顳葉灰質密度成像，用於觀察大腦結構變化）、艾登布魯克認知測試修訂版（ACE-R）以及簡易精神狀態評價量表（MMSE）結果輸入 PPM，以對其加以訓練。
透過訓練，PPM 能夠把這些患者劃分為疾病穩定型 MCI 患者（sMCI，即 3 年期內始終被診斷為 MCI 的個體）與進展型 MCI 患者（pMCI，即 3 年期內發展為 AD 的個體）。
其後，研究人員再度運用三個數據集（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]，以及同屬 ADNI 佇列的另外 609 名參與者的數據）對該模型予以驗證。
PPM 訓練與驗證佇列
進一步而言，研究人員期望把 PPM 的套用範疇由診斷拓展至預後，為此他們借助純量投影手段構建出 PPM（預測性預後模型）所衍生的預後指數，用以評估個體認知功能的轉變情況。
結果表明，處於不同認知狀態（諸如認知正常、MCI 以及 AD）之人於該指數上呈現顯著差別，並且在對教育水平加以控制後，此類差異依舊顯著，由此可見該指數能夠用以評估個體的認知功能變化狀況。
為增進 PPM 的臨床實用價值，研究人員構建了一種依托於 PPM 衍生出的預後指數來對個體予以分層的方式。
最終基於認知衰退速率（即未來 MMSE 的變化）的差異，研究人員闡述了由 PPM 衍生的預後指數所代表的三種個體疾病進展的可能性，分別為：PPM 指數小於 0 的穩定型；PPM 指數大於 1 的快速進展型；PPM 指數處於 0 至 1 之間的緩慢進展型。
基於 PPM 衍生出的指數所開展的分層
隨後，研究人員借助來自 MACC 佇列的 6 年縱向數據，針對認知正常（CN）及 MCI 患者（共 387 位）展開基於 PPM 衍生的預後指數的分層（其中穩定型 189 位，緩慢進展型 111 位，快速進展型 87 位），並校驗這些分層能否精準預判這些參與者未來演變為 AD 的風險。
結果表明，相較於傳統臨床診斷標準（認知正常、輕度 MCI 以及重度 MCI），由 PPM 衍生出的預後指數分層能夠更為精準地預判個體於未來三年內轉變為 AD 的風險。
縱向佇列的驗證
