日本的人工智能模型使阿尔茨海默病筛查迈出大步

在开创性的发展中，位于 日本的大分大学和制药公司卫材（Eisai Co.）推出了全球首个旨在预测大脑中β-淀粉样蛋白（Aβ）积累的人工智能模型，这是阿尔茨海默病（AD）的关键病理因素。

这一革命性模型利用从腕带传感器收集的数据，通过生物数据和生活方式数据轻松筛查大脑 Aβ 积累。

解决早期检测难题

阿尔茨海默病占痴呆症病例的 60% 以上，其特征是大脑中 Aβ 的逐渐积累。这一过程在临床症状出现前约二十年就开始。 

作为对这一紧迫问题的回应，人们一直在努力开发针对 Aβ 的治疗药物，最终在日本批准了一种人源化抗可溶性聚集 Aβ 单克隆抗体。

此类药物的有效性取决于在轻度认知障碍个体中早期检测 Aβ 积累，最好在症状出现之前。大脑 Aβ 积累的检测依赖于昂贵且具有侵入性的方法，如正电子发射断层扫描（淀粉样蛋白 PET）和脑脊液检测（CSF 检测）。 

这些检测仅限于少数医疗机构，并带来巨大的财务和程序负担。因此，人们一直在寻求一种负担得起且用户友好的筛查方法，以识别需要进行淀粉样蛋白 PET 或 CSF 检测的候选者。

虽然之前的研究曾尝试使用认知功能测试、血液测试和脑部成像来预测大脑 Aβ 积累，但这项机器学习研究代表了一种以“生物数据”和“生活方式数据”为中心的开创性方法。

机器学习的突破

大分大学与卫材公司的合作催生了一种开创性的机器学习模型，能够预测大脑 Aβ 积累。该模型的独特之处在于它利用腕带传感器的数据，这与传统的认知和成像测试不同。 

通过利用生物数据和生活方式数据，这项尖端技术为阿尔茨海默病的早期筛查提供了一条有希望的途径。

β-淀粉样蛋白（Aβ）的作用

β-淀粉样蛋白（Aβ）是一种在阿尔茨海默病发展中起核心作用的蛋白质。在 AD 中，Aβ 在临床症状变得明显之前很久就开始在大脑中积累。这种积累是一个关键的病理因素，使其成为治疗干预的主要目标。 

早期检测 Aβ 积累对于最大化治疗功效至关重要，因为它允许及时医疗干预，从而可能减缓或减轻疾病的进展。

传统检测方法

正电子发射断层扫描（淀粉样蛋白 PET）和脑脊液检测（CSF 检测）传统上是检测大脑 Aβ 积累的主要手段。然而，这些方法存在几个挑战：

可用性有限：并非所有医疗机构都具备进行淀粉样蛋白 PET 或 CSF 检测的能力，限制了这些诊断工具的获取。

高成本：这些检测可能非常昂贵，给许多患者带来沉重的经济负担。

侵入性：淀粉样蛋白 PET 和 CSF 检测程序可能对患者具有侵入性和不适感。

新颖的方法

大分大学和卫材公司开发的开创性机器学习模型代表了与传统检测方法的重大背离。通过纳入腕带传感器的数据，这种方法利用生物数据和生活方式数据来预测大脑 Aβ 积累。

这一创新有望提供一种更易获取、更具成本效益且非侵入性的手段，以识别患有阿尔茨海默病风险的个人。

各种风险因素，包括缺乏运动、社会隔离、睡眠障碍、高血压、糖尿病和心血管疾病等生活方式和医疗状况，都会影响阿尔茨海默病。 

虽然之前的研究主要依赖认知和成像测试，但这一机器学习模型考虑了更广泛的“生物数据”和“生活方式数据”，以增强其预测能力。