跳到正文
原文
梅斯医学·临床资讯·· 3 小时前精选AI 评分80

AI模型通过健康问卷提前数年筛查帕金森病

Nature Aging:一份问卷+AI模型就能提前数年筛查帕金森病?

AI 导读

一项发表在《Nature Aging》的研究利用语言模型分析自填问卷,区分帕金森病患者与健康对照,AUROC达0.977,适用于跨问卷迁移。该模型在PPMI Online与Fox Insight两大队列上表现优异,可作为基层医疗的筛查工具。

推荐理由

AI模型通过分析健康问卷提前数年筛查帕金森病,为基层医疗提供了一种低成本的筛查工具。

正文

4分钟前 神经科学论坛 神经科学论坛 发表于上海

帕金森病前驱期不易识别,Quest2Dx 利用语言模型分析问卷,区分性能优异,可跨问卷迁移,精简短问卷适合基层初筛,作为分子检测、专科评估前置筛查手段,仍存在队列与外推局限。

深度解析医学证据,DeepEvidence为你支撑决策

论坛导读:帕金森病正随着人口老龄化成为越来越沉重的公共卫生负担,据估计全球帕金森病患者已超过850万人,而随着老年人口持续增长这一数字还将不断攀升。更棘手的是早期诊断本身,目前帕金森病的诊断依赖运动症状的观察和测量以及腰椎穿刺等侵入性检查,而疾病在典型运动症状出现之前可能已经潜伏多年。当患者终于被转诊到神经科专家手中时往往已经错过了更早干预的窗口。能否用更低的成本、更少的侵入性在基层医疗环节就把高风险人群筛出来?

图片

帕金森病(Parkinson's disease)是全球增长最快的神经退行性疾病之一,随着人口老龄化患者总数已逾 800 万,年龄本身即是最强的风险因素。然而其诊断逻辑两百年来几乎未变:1817 年詹姆斯・帕金森在伦敦公园里 "看人走路" 确立了以运动症状为核心的观察范式;今天临床仍以震颤、强直、运动迟缓为切入点,辅以腰椎穿刺脑脊液分析、PET 或 MRI 等昂贵且有创的手段。由于前驱期症状普遍缺乏特异性,极易被患者、全科医师归因于衰老、焦虑、睡眠障碍、鼻炎等良性问题造成转诊延迟。

当典型运动症状充分显现时多巴胺能神经元损伤已超过 50%,潜在疾病修饰干预窗口显著收窄。目前已开发的高特异性病理标志物,如脑脊液 α- 突触核蛋白种子扩增检测(α-Syn SAA)、神经元来源细胞外囊泡检测、多模态 PET 影像等,灵敏度与特异度优异,但存在侵入性强、检测周期长、费用高昂、设备门槛高的短板,不适用于普通人群大规模初筛。由此可见,帕金森病核心问题在于诊断时间差,α- 突触核蛋白病理在脑内累积可长达十余年,而嗅觉减退、快速眼动睡眠行为障碍(RBD)、书写变小、焦虑抑郁等前驱症状信号早已出现,但由于症状的分散、模糊常被患者与基层医疗机构全科医生当作“小毛病”。

伦敦霍乱死亡地图 - 知乎

被延迟的十年:筛查缺位而非诊断缺技术

由于目前帕金森病任何单一症状都不具临床诊断力导致转诊到神经科往往被推迟数年。当典型运动症状明确时多巴胺能神经元已损失过半,疾病修饰治疗的窗口基本关闭。因此,PD 的核心瓶颈不在如何诊断,而在如何以可负担的成本在人群层面把高风险者筛出来。血液、脑脊液与影像标志物虽在近年突飞猛进,却仍受制于成本、侵入性与规模化能力。健康问卷则恰恰相反,它已经躺在每一间基层医疗机构诊室里,免费、无创、可数字化,缺的只是一双能读懂它的 "眼睛"。

2026 年 11 月 4 日,一项发表在Nature Aging 期刊上题为Language modeling screens Parkinson's disease with self-reported questionnaires 的研究结果给出的答案是也许一张健康问卷就够了,但前提是背后有一个足够聪明的AI。一个基于语言建模的通用人工智能框架仅凭患者自填的健康问卷即可识别帕金森病。在 PPMI Online 与 Fox Insight 两大标志性队列上其 AUROC 分别达 0.977 与 0.974;跨问卷迁移仍保持 0.920 与 0.952。这意味着帕金森病患者在震颤尚未出现之前数年,基层医疗机构诊室中一份常被顺手填完的问卷可能成为神经系统专科的第一道守门人。

图片

Quest2Dx:让模型理解问题的意思而非记住题号的位置

研究把问卷交给机器学习看似顺理成章,实则有三道硬门槛。(1)缺失作答:自填问卷跳题是常态。PPMI Online 完整问卷含 1387 道题、Fox Insight 逾7600 道,剔除缺失率超 50% 的条目后仍分别剩下187与378题。传统做法是众数 / 均值插补等于用 "猜" 填补空白,反而污染了潜在模式;更麻烦的是当数据完整度要求从50% 提高到90%,PPMI 可用样本会骤降至原始规模的约两成,模型随之崩塌。(2)问卷异构:传统模型学的是 "第 37 题第 2 个选项" 这样的位置权重,一旦换用另一份问卷、题目被改写或重排模型立即失效。而真实世界恰恰版本林立,不同医院、不同随访批次、不同量表修订版并存。(3)不可解释:黑箱输出高风险对临床毫无用处,医生需要知道依据哪几条。

Quest2Dx 的解法是把问卷当作语言而非表格来处理。模型用预训练语言模型 BERT 编码每一道题干,将语义注入该题答案的表示之中;答案本身亦被编码为其选项含义的向量。于是每条 问题-答案对在语义空间中成为一个有上下文的 token,再由 Transformer 建模其相互关系。针对缺失作答作者引入一个可学习的 "缺失 token"让模型自行推断 "未作答" 本身所携带的信息,从而在无需预处理插补的前提下完成端到端建模 。这是该框架两项核心创新之一,另一项即前述基于 BERT 的语义知识注入。这一设计直接带来跨问卷迁移能力,由于模型对齐的是 意思而非位置,在一份问卷上学到的判别结构可以平移到另一份措辞不同的问卷上。同时,注意力权重天然提供了逐例的问答对贡献度使解释性成为架构的内生属性而非事后附加。

性能:两项大型队列与一次真正的换卷考试

研究在PD领域两个最权威的在线队列上展开:PPMI Online 共 40 012 人(PD 27 802、健康对照 12210),Fox Insight 共 54571人(PD 38514、对照 16057)。评估采用 5 折交叉验证 × 5 次重复,在 50%~90% 五档数据完整度下共 25 次独立运行,统计上相当扎实。结果层面,Quest2Dx 在 PPMI 与 Fox Insight 上的平均 AUROC 分别为0.977(95% CI 0.976–0.978)与0.974(0.974–0.975),在所有对比方法中最优。最接近的竞争者是采用众数插补的普通 Transformer(0.966 / 0.971),其后依次为 MLP(0.911 / 0.969)、XGBoost(0.906 / 0.952)、随机森林(0.903 / 0.949)、SVM(0.888 / 0.923)。除 Fox Insight 90% 完整度这一档外,Quest2Dx 在所有设置下均显著优于全部基线(配对 t 检验,p < 0.05)。

更值得关注的是完整度梯度上的稳健性。随着可用样本急剧收缩,SVM、MLP 与插补版 Transformer 在 PPMI 上明显下滑,而 Quest2Dx 几乎维持水平。作者将其归因于语义嵌入带来的先验知识使模型在语义空间而非题号空间中学得表征,从而对小样本更具耐受性。跨队列验证则更接近真实部署:PPMI→Fox Insight 的 AUROC 为0.920,反向为0.952(两队列间共有 129 道可对齐题目)。作为对照,以 70 亿参数 Llama 2 作编码器、加线性探针的方案在同队列内尚可一争,一旦跨队列便跌至 0.568 附近几近随机。通用大模型见多识广却并未自动获得跨问卷不变性;真正起作用的是针对任务结构设计的语义对齐与缺失建模。

模型 "看见" 了什么:从注意力权重到 30 题精简问卷

可解释性分析给出的高频问答对与神经病学既有认知高度吻合,构成一种有意义的外部校验。医疗人员是否诊断过抑郁、过去四周的焦虑与紧张程度、进食与使用餐具是否困难、是否觉得 生活空虚、起床或从深椅起身是否费力、处理陌生问题是否吃力、职业生涯中是否接触工业溶剂与脱脂剂累计 100 天以上、是否诊断过双相障碍、嗅觉是否有问题、是否被告知睡梦中会 演绎梦境。其中 RBD、焦虑、嗅觉减退是公认的前驱标志,而溶剂暴露则通过氧化应激通路与神经退行相关联;两者单独均不足为凭,唯有并置评估才具判别力。

更具落地价值的是减法实验:仅保留模型排序前 30 题(约为原问卷的 6%~16%),AUROC 仍达0.937;20 题时可维持 0.900 以上;即便只给 10 题,性能损失约 10%。这意味着一份 3~5 分钟即可完成的精简问卷已足以支撑接近全量问卷的筛查效能,这是把算法变成基层可用工具的关键一步。

放进 2026 年的坐标系:分子证据与表型入口的分层互补

若将 Quest2Dx 置于2026 年PD早诊的整体版图中其价值不在于取代标志物,而在于补上了最前端、最廉价的一层。目前在分子层面α- 突触核蛋白种子扩增检测(α-Syn SAA,含 RT-QuIC 与 PMCA)已确立了病理近端标志物地位:汇总分析显示其灵敏度约 0.86–0.88、特异度 0.92–0.96;在1123人的脑脊液队列中达 88% 灵敏度与 96.3% 特异度,且在嗅觉减退或 RBD 人群中阳性率高达88%,前驱期价值明确。

2026 年 9 月牛津大学与 KAUST 团队报告了一种基于有机电化学晶体管的多元传感器,可在 40 分钟内同时定量血清 L1CAM⁺ 神经元细胞外囊泡中的总 α-Syn、聚集态 α-Syn 与 pS129-α-Syn;66 人队列中区分 PD 与对照的准确率为 90.9%(灵敏度 88.6%、特异度 90.9%),并能将 iRBD 与健康人区分开来。同年 5 月上海交大与华山医院等团队报道脑脊液 TPPP/p25 可作为分型密码精准区分帕金森病与多系统萎缩这一长期困扰临床的鉴别难题。由此一条分层路径已隐约成形:问卷 / AI 表型层(近乎零成本可年复一年地在全人群中反复施测)→血液 nEV 或 SAA 分子层(对筛出的高风险者做二次确认)→影像与专科评估层(确诊、分型、入组)。Quest2Dx 的定位正是这条链路的入口,它不追求特异性病理证据,而追求把对的病人送到对的下一步。这与该研究作者自述的立场一致:不是诊断而是筛查;目标是在运动功能显著受损之前完成转诊。

需要冷静看待的边界

1. 研究设计的固有限制:两项队列均为在线自报、病例对照式结构,PD 组年龄显著高于对照(约 67 岁 vs 57~58 岁),且受试者多为高度动机化的志愿者;真实人群中患病率远低于队列内的构成比,特异度上的微小让步在低患病率下会放大为可观的假阳性负担,阳性预测值必须在真实基础率下重新估算。

2. 标签的循环性风险:自报队列中的PD标签本身部分来自自报,若问卷中已含是否被诊断过帕金森病之类条目,模型可能学到标签泄漏而非前驱信号。本研究虽以条目筛选与交叉验证加以约束,但这一问题在自报数据中始终需要前瞻性设计来证伪。

3. 迁移的语义边界:跨问卷迁移成立的前提是 129 道可对齐题目;若面对语言不同、文化语境不同(如中文版量表、农村地区低教育程度人群)的问卷,BERT 语义空间能否等价对齐仍属未知。多语言、多文化的外部验证是该框架走向全球基层的必经关口。

4. 公平性与部署现实:模型的价值实现依赖于问卷的数字化采集与结构化存储;在纸质问卷仍占主流的地区"低成本" 可能只是纸面结论。同时假阳性带来的焦虑、不必要的检查与保险影响以及AI 提示高风险这一标签本身的伦理重量都需要配套的沟通规范与随访机制。

5. 从筛查到获益的最后一公里:目前尚无改变病程的干预手段被证实可用于前驱期人群,筛查的净收益最终取决于疾病修饰疗法的进展,这也正是当下 α-Syn 靶向治疗与 SAA 入组筛查同步推进的原因。

结语

Quest2Dx 的意义或许更多在于它示范了一种重写问题的技术路径。当数据本身噪声大、缺失多、格式杂乱时与其在特征工程上反复补救,不如让模型去理解意思而非记忆位置。可学习的缺失表示、语义注入与注意力解释性三者的组合,把一个原本被认为只能做插补、难以泛化的表格任务变成了可迁移、可解释、可精简的筛查工具。在一个每四位老人就可能有一位面临神经退行性风险的年代,如何能够早期识别的下限很大程度上由最便宜的那一环决定。血液传感器与种子扩增正在攻克分子层面的特异性,而 Quest2Dx 提醒我们在它们抵达基层之前,那张被忽略的问卷也许已经写下了最早的答案。

参考文献

  • Machado Reyes D, et al. Language modeling screens Parkinson's disease with self-reported questionnaires.Nature Aging. 2026;6:2517–2529. doi:10.1038/s43587-026-01260-6.

  • Brooker SM, et al. Biomarkers in Parkinson's Disease. Neurol Clin. 2025 May;43(2):229-248. doi: 10.1016/j.ncl.2024.12.005.

  • Costa HN, et al. Parkinson's Disease: A Multisystem Disorder. Neurosci Bull. 2023 Jan;39(1):113-124. doi: 10.1007/s12264-022-00934-6.

  • Cramb KML, et al. Impaired dopamine release in Parkinson's disease. Brain. 2023 Aug 1;146(8):3117-3132. doi: 10.1093/brain/awad064.

  • Cattaneo C, et al. Non-Motor Symptoms: The Hidden Face of Parkinson's Disease. Cells. 2025 Dec 25;15(1):42. doi: 10.3390/cells15010042.

  • The Lancet. What next in Parkinson's disease? Lancet. 2024 Jan 20;403(10423):219. doi: 10.1016/S0140-6736(24)00094-1.

  • Xiao B, et al. Targeting α-synuclein and c-Abl in Parkinson's disease. Trends Mol Med. 2023 Nov;29(11):883-885. doi: 10.1016/j.molmed.2023.07.004.

版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言

来源:梅斯医学·临床资讯 · news.medsci.cn