AI模型通过问卷提前数年筛查帕金森病
Nat Aging:一张问卷加一个AI模型,帕金森病筛查有望提前数年!
美国伦斯勒理工学院研究人员开发的Quest2Dx AI模型,通过分析健康问卷,提高了帕金森病筛查的准确性和可操作性。该模型在两个数据集上的AUROC均超过0.97,且跨问卷验证表现稳健,为基层医疗提供了一种低成本、非侵入性的筛查工具。
AI模型通过分析健康问卷,有望提前数年筛查帕金森病,为基层医疗提供低成本、非侵入性工具。

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,这一数字还将攀升。更棘手的是诊断本身: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;换句话说,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?
一项发表在国际杂志Nature Aging上题为“Language modeling screens Parkinson's disease with self-reported questionnaires”的研究给出的答案是:也许一张健康问卷就够了,前提是背后有一个足够聪明的AI。
文章中,来自美国伦斯勒理工学院的研究人员开发了一款名为Quest2Dx的人工智能模型,专门用于分析健康问卷,实现低成本、非侵入性的帕金森病筛查。研究者指出,帕金森病患者被转诊到专科医生那里"相当晚",他们构建这个AI模型,就是为了更早地筛出潜在病例。
有意思的是,靠"看"来诊断帕金森病这件事,从1817年就开始了,那一年,英国医生詹姆斯·帕金森发表了一篇关于该病的开创性文章,主要依据就是观察人们在伦敦公园里走路的样子。两百多年过去,医学技术突飞猛进,但视觉观察在诊断中的地位并没有根本改变。闫平坤研究人员的思路不是替代诊断,而是筛查—在詹姆斯·帕金森当年观察到的那些运动症状显现之前数年,就把可能需要进行检测的患者找出来。早期帕金森病的信号包括嗅觉减退、睡眠障碍、书写困难以及情绪变化。研究者指出,患者和照护者往往把这些表现当作小毛病忽略掉,结果转诊到神经科的时间被拖延数年。

基层诊所其实不缺问卷,问题在于,问卷往往又长又复杂,医护人员很难从中捕捉到与帕金森病相关的细微迹象。研究人员使用的训练数据来自帕金森进展标志物计划(PPMI)数据库,验证数据则来自Fox Insight研究。PPMI的问卷有187个问题,Fox Insight的问卷超过300项,两者填起来都相当耗时,患者跳题是家常便饭。而常规机器学习模型遇到缺失答案,通常会通过"插补"来填补空白,这一过程可能引入错误,反而让AI更难发现隐藏的规律。此外,传统模型学的是每道题的位置而非含义,一旦问题被改写或重新排序,模型就容易失灵。
Quest2Dx的设计正是冲着这几个痛点去的,其用语言建模来编码每道问题和每个答案的"意思",而不是死记题号,因此能够跨问卷迁移,同时提升可解释性。研究人员表示,该框架专门应对三项关键技术挑战:绕开缺失回答、在只用一个问卷训练的情况下兼容措辞不同的其他问卷、以及为每位患者计算出最相关的问答组合。研究者解释说,他们用大语言模型理解每个问题和答案的含义与语境,再让AI判断患者是否可能患有帕金森病。
效果如何?在PPMI Online和Fox Insight两个数据集上,Quest2Dx的受试者工作特征曲线下面积(AUROC)分别达到0.977和0.974,优于现有方法,也优于基于预训练大语言模型Llama 2构建的方案。跨问卷验证同样表现稳健:从PPMI Online迁移到Fox Insight的AUROC为0.920,反向迁移为0.952。换句话说,模型在一个问卷上学到的东西,换个问卷照样能用,这对于问卷版本五花八门的现实场景相当实用。
Quest2Dx还给出了哪些问题最有信息量,排在前列的包括起床、进食等日常任务上的困难,以及接触工业溶剂和脱脂剂这类帕金森病风险因素。其他潜在预测因子还有快速眼动睡眠行为障碍、焦虑以及紧张或压力感升高。不过研究人员强调,这些情况与许多其他疾病存在重叠,单独任何一个答案都不足以诊断。以溶剂暴露为例,它"只有在与其他早期迹象一起考量时才变得有意义",这恰恰说明多因素综合评估的重要性。
一个更接地气的发现是:研究人员根据Quest2Dx识别出的30个最相关问题设计了一份精简问卷,AI模型用这份短问卷预测帕金森病的准确率,几乎与使用完整问卷时相当,这就为设计简化的帕金森病筛查问卷提供了依据,也让工具进入基层医疗场景变得更为现实。研究者将这项工作置于公共卫生的框架下:年龄是帕金森病的关键风险因素,人口老龄化意味着对非侵入、易获取的早期诊断方法存在迫切需求,以便在广泛运动功能受损出现之前识别患者。
当然,Quest2Dx还远未到完美,研究人员承认,模型仍会产生假阳性和假阴性,需要继续改进。但就其目前展示的能力而言,其至少证明了一条路径的可行性:用语言模型读懂问卷的"意思",绕开缺失答案的干扰,跨不同问卷工作,并告诉医生哪些问题最值得关注。对于一种诊断长期依赖观察和侵入性检查、早期信号又容易被忽视的疾病来说,这种低成本筛查思路的价值不言而喻。(生物谷Bioon.com)
参考文献:
Machado Reyes, D., Hahn, J., Shen, L. et al. Language modeling screens Parkinson’s disease with self-reported questionnaires. Nat Aging (2026). doi:10.1038/s43587-026-01260-6
版权声明 本网站所有注明“来源:生物谷”或“来源:bioon”的文字、图片和音视频资料,版权均属于生物谷网站所有。非经授权,任何媒体、网站或个人不得转载,否则将追究法律责任。取得书面授权转载时,须注明“来源:生物谷”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。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。
来源:生物谷·资讯 · news.bioon.com