與日本國立精神?神經(jīng)醫(yī)療研究中心共同研究 準確率達88% 成果發(fā)表于《自然》雜志子刊
上海2022年4月21日 /美通社/ -- 富士膠片株式會社（以下簡稱“富士膠片”）和日本國立精神?神經(jīng)醫(yī)療研究中心宣布了利用富士膠片全新的AI技術預測輕度認知功能障礙癥(MCI)患者是否會在兩年內進展為阿爾茨海默病(AD)的積極研究成果。這項用于AD進展預測的人工智能技術※1的準確率達88%※2，該研究成果已于4月12日在國際學術期刊《自然》雜志子刊《npj Digital Medicine》上發(fā)表※3。
該技術是由富士膠片基于其先進的圖像識別技術以及機器學習方面的專業(yè)知識所開發(fā)的。
未來，富士膠片和日本國立精神?神經(jīng)醫(yī)療研究中心將進一步驗證該技術，以期更好地應用在針對AD疾病治療的臨床實驗中，對患者進行分層。
主要研究成果 富士膠片利用其在攝影和醫(yī)療領域積累的先進圖像識別技術，確立了以AI進行高精度預測的技術（AD進展預測AI技術），這項技術在可供研究數(shù)據(jù)有限的情況下，依然可以高精度地預測從MCI到AD的進展。所謂AD進展預測AI技術，是指以包括MRI圖像、認知能力評分等信息在內的多種臨床信息為基礎的預測技術。 富士膠片和日本國立精神?神經(jīng)醫(yī)療研究中心的一個研究小組※4，以不同人種（北美人和日本人）的患者數(shù)據(jù)庫為對象，分別應用了AD進展預測AI技術，對MCI患者在2年內是否會發(fā)展為AD進行預測，結果表明預測準確率高達84-88%。由此證明，該項AD進展預測AI技術具有很高的可推廣性。 |
研究背景與歷程
據(jù)估計，目前全球約有5500萬認知障礙癥患者。而隨著人口老齡化，預計到2050年這一數(shù)字將增加到約1.39億。在認知障礙癥中，AD患者（認知障礙癥的一種）的人數(shù)最多，預計今后這一趨勢還會繼續(xù)。
近年來，在AD的新藥研發(fā)過程中更傾向于以早期的MCI患者為對象實施臨床試驗，以觀察β-淀粉樣蛋白的存在情況，因為β-淀粉樣蛋白是AD的主要致病物質，在發(fā)病前就已經(jīng)開始蓄積。然而，大多數(shù)臨床試驗都沒有成功，其中一個原因是，兩年內從MCI進展到AD的患者比例不到20%※5，臨床試驗期間有很多MCI患者未發(fā)現(xiàn)有進展，被分配到對照組（服用安慰劑等）的患者也因未進展到AD而被認為其病情得到了控制。因此，從統(tǒng)計學角度而言無法得出可信結論。在這種情況下，富士膠片和日本國立精神?神經(jīng)醫(yī)療研究中心認為，使用AI來預測哪些患者會從MCI發(fā)展到AD，并只對這些患者進行臨床試驗，能夠正確地評估新藥的有效性，使治療與驗證取得成功。
研究內容
近年來，大量研究報告表明，通過引入深度學習，圖像識別準確率可以顯著提升，但要達到深度學習的效果，需要大量的學習數(shù)據(jù)支持。然而，目前世界最大的AD研究項目NA-ADNI※6的公共數(shù)據(jù)庫中，也不過只有約1000名MCI患者的數(shù)據(jù)。通常，在物體識別研究領域，要形成深度學習需要超過1000萬張圖像。在這種情況下，如何通過有限的數(shù)據(jù)確立高準確率的AI預測技術無疑是一項巨大的挑戰(zhàn)。為了解決這個問題，富士膠片決定建立一種AD進展預測AI技術，以大腦中與AD進展高度相關的特定區(qū)域為對象，利用深度學習預測AD的進展。
技術確立
- 富士膠片利用其在攝影和醫(yī)療領域積累的先進圖像識別技術，從腦部三維MRI圖像中，分別對以(1)海馬體、(2)前顳葉為中心的區(qū)域進行識別，因為，這兩塊區(qū)域被認為與AD進展最為相關。
- 利用深度學習，從以(1)海馬體、(2)前顳葉為中心的兩個區(qū)域，提取與AD進展相關的詳細萎縮模式，并計算其圖像特征※7。AI進而專注于兩個區(qū)域確認的、對讀片診斷起重要作用的海馬體區(qū)域和杏仁體區(qū)域的萎縮模式，并依據(jù)其模式識別其向AD的進展（圖1）。
- 使用NA-ADNI公共數(shù)據(jù)庫的MCI患者數(shù)據(jù)進行學習。除了被認為與AD進展高度相關的腦內特定區(qū)域的圖像特征外，還確立了通過認知能力測試評分等多種臨床信息進行高精度AD進展預測的技術。
[圖1]AI在預測AD進展中關注的詳細萎縮模式（三維MRI檢查圖像）
全腦學習的AI（圖1-A，A'）不僅會關注與AD進展高度相關的海馬體和杏仁體區(qū)域，而且還會關注與之不密切相關的腦脊髓液和枕葉。 另一方面，在以海馬體（圖1-B）或前顳葉（圖1-C）為中心區(qū)域學習的AI，更加關注海馬體或杏仁體區(qū)域的詳細萎縮模式，在識別其是否會進展為AD方面比全腦學習的AI更加高效。 通過排除低相關性區(qū)域的學習，在有限的數(shù)據(jù)下深度學習減少了受到個體差異的影響，從而能獲得較高的預測準確性。 |
技術驗證
- 富士膠片和日本國立精神?神經(jīng)醫(yī)療研究中心的研究小組，采用AD進展預測AI技術，預測2年內患者是否會從MCI進展至AD。除了將AD進展預測AI技術應用于NA-ADNI數(shù)據(jù)庫外，還將其應用于未學習過的J-ADNI※8數(shù)據(jù)庫，對該技術的預測準確性進行了客觀的評估。
- 在預測MCI患者是否會發(fā)展為AD患者時，NA-ADNI的預測正確率為88%，J-ADNI為84%。
- 同時，與準確率同等重要的AI精度指標AUC※9，NA-ADNI為0.95、J-ADNI為0.91（圖2）。
[圖2]表示NA-ADNI和J-ADNI評估結果的ROC曲線※10
依據(jù)ROC曲線推導出的AUC（ROC曲線下的面積）指標，NA-ADNI為0.95、J-ADNI為0.91。AUC的最大值為1，表明在NA-ADNI和J-ADNI中都能高精度地預測AD進展。 |
綜上所述，AD進展預測AI技術可以高精度地預測不同人種從MCI到AD的進展，屬于可推廣性較高的AI技術。
未來展望
富士膠片和日本國立精神?神經(jīng)醫(yī)療研究中心將在臨床試驗數(shù)據(jù)中，對根據(jù)AD進展預測AI技術的預測結果分層的患者進行分析，以進一步驗證這項技術的有效性。具體而言，通過AD進展預測AI技術預測患者的認知障礙癥進展速度，并通過(1)對沒有AD進展的患者不進行臨床試驗、(2)縮小對照組和治療組之間在進展速度分布上的差異來研究提高臨床試驗成功率的可能性。力爭在AD治療藥物的新臨床試驗中使用AD進展預測AI技術。
同時，還將探討將AD進展預測AI技術的算法推廣到各種精神疾病和神經(jīng)系統(tǒng)疾病的腦部圖像和臨床數(shù)據(jù)中應用。這關系到患者預后和對治療的反應預測，我們希望在推動個性化醫(yī)療方面能發(fā)揮重要作用。
本研究是在日本國立研究開發(fā)法人科學技術振興機構產(chǎn)學共創(chuàng)平臺共同研究推進項目（JST、OPERA、JPMJOP1842）的贊助下實施的。
※1 本技術不用于AD及其他疾病的診斷、治療和預防。 |
※2 準確率是評價AI精度的指標之一，是描述預測結果與真實值相符程度的數(shù)值。 |
※3 發(fā)表的論文論文名：A high generalizability machine learning framework for predicting the progression of Alzheimer's disease using limited data |
※4 神經(jīng)研究所疾病研究第七部山口博行、山下祐一、精神保健研究所行動醫(yī)學研究部關口敦、轉化醫(yī)療中心（現(xiàn)為醫(yī)院下屬臨床研究及教育研修部門 信息管理及解析部）立森久照 |
※5 Practice Guideline Update Summary: Mild Cognitive Impairment.(Petersen, R. C., et al. Neurology 16, 126-135 (2018)) |
※6 預測AD的發(fā)病、確認治療藥物療效的研究項目，為全球最大。 |
※7 用數(shù)值化指示出參考圖像的哪些部分才能發(fā)現(xiàn)進展預測的模式。 |
※8 日本厚生勞動省及NEDO等主導的AD研究項目。Japanese Alzheimer's Disease Neuroimaging Initiative的簡稱。 |
※9 表示AI判別精度的真陽性率與偽陽性率的指標。Area Under the Curve的縮寫。真陽性率是指正確預測為陽性的數(shù)據(jù)的百分比，而偽陽性率是指將陰性數(shù)據(jù)錯誤預測為陽性的數(shù)據(jù)的百分比。AUC值為1意味著AI判斷完全正確（真陽性率：100%，偽陽性率：0%）。如果真陽性率和偽陽性率相同，AUC值為0.5，則表示精度最低。 |
※10 表示一條曲線，其中計算了每個截止點的真陽性率和偽陽性率，繪制在一個平面上，真陽性率在縱軸上，偽陽性率在橫軸上，并以直線連接。ROC是Receiver Operating Characteristic的縮寫。ROC曲線下的面積為AUC的值。 |
下載文檔
