人工智能在神经系统疾病诊疗中的应用:过去、现在与未来
好文推荐 | 人工智能在神经系统疾病诊疗中的应用:过去、现在与未来——兼论人工智能在神经系统罕见病中的精准应用进展
文章系统回顾了AI在神经科学领域的应用进展,从早期专家系统到现代深度学习,覆盖脑卒中、阿尔茨海默病等主要疾病,展望了未来可解释AI、联邦学习等发展方向。
全面回顾了AI在神经科学中的应用进展,为神经科从业者和科研人员提供了系统性参考。
摘要
人工智能(AI)技术在医学领域的系统性应用,正在深刻重塑疾病诊断、预后评估与治疗决策的范式体系。神经系统疾病以表型异质性高、多模态数据结构复杂及专业资源分布不均为突出特征,是AI医学应用中最具战略价值亦最具挑战性的关键领域之一。本文系统回顾了AI在神经科学与神经病学领域的演进历程,从早期基于规则的专家系统到当代深度学习架构,梳理了AI在脑卒中、阿尔茨海默病、帕金森病、脑肿瘤、多发性硬化等主要神经系统疾病中的临床应用现状;综述了AI在神经系统罕见病——包括罕见癫痫综合征、罕见神经肌肉病、脑白质病、亨廷顿病(HD)及线粒体脑病等——的最新靶向研究进展;最后展望了可解释AI、联邦学习与数字生物标志物体系的未来发展方向。本文旨在为神经科从业者、科研人员及临床政策制定者提供关于AI赋能神经系统疾病精准诊疗的系统性参考框架。
关键词:人工智能;神经系统罕见病;神经影像;脑电图;数字生物标志物
Key words:Artificial intelligence;Rare neurological diseases;Neuroimaging;Electroencephalography;Digital biomarkers
人工智能(artificial intelligence,AI)是一类技术体系,可以使计算机系统模拟人类智能行为,能够执行那些原本依赖人类才能完成的任务。自20世纪中叶到21世纪初,AI经历了从概念奠基到技术爆发的长期演进。以深度学习为核心驱动力的现代AI体系,凭借其在图像识别、自然语言处理、序列预测等领域的突破性表现[1],正在医学各专科领域引发系统性的诊疗范式变革[2,3]。神经系统疾病是全球疾病负担最沉重的疾病谱系之一,2016年全球疾病负担(Global Burden of Disease,GBD)研究显示,神经系统疾病造成的伤残调整生命年(disability-adjusted life years,DALY)高达2.76亿人/年以上,是全球致残率最高的疾病[4]。在此背景下,AI如何有效赋能神经系统疾病的早期诊断、精准分型与个体化治疗,已成为AI在医学领域最为重要的战略课题之一[5]。
神经系统疾病是AI医学应用中极为特殊的一类场景。神经科所处理的数据类型高度多元,如神经影像(CT、MRI、PET、功能MRI)、脑电图(electroencephalography,EEG)、诱发电位、神经传导速度、步态运动分析、认知神经心理测评、临床叙事文本、基因组学数据等,构成了天然适合于AI多模态融合分析的数据生态。另一方面,神经科疾病表型具有高度异质性,如相同基因突变引发截然不同的临床表现,或相似影像特征背后隐藏迥异的病理机制等,这对AI模型的泛化性能提出了极高要求。
尤为值得关注的是,神经系统疾病中约30%以上属于罕见病范畴。Orphanet数据库的系统统计显示,神经系统是所有器官系统中罕见病受累比例最高的系统之一,疾病谱广泛,涵盖了罕见遗传性神经肌肉病、罕见癫痫综合征和神经代谢性疾病等[6]。这些疾病长期面临诊断延迟平均长达5~7年、专业诊疗资源高度集中化、临床试验患者招募困难等结构性困境,而AI技术所具有的数据挖掘深度、跨中心知识迁移能力与小样本学习潜力,高度契合了罕见病诊疗的核心需求。
本文系统梳理AI在神经系统疾病领域的应用演进,并综述其在神经系统罕见病中的靶向进展,以期为神经科临床实践与科学研究提供结构性参考。
1 过去:从专家系统到机器学习的奠基历程
1.1 基于规则的专家系统时代
AI在医学中的最早系统性实践,以20世纪70至80年代的专家系统为标志。MYCIN系统作为这一时代的经典代表,通过将感染性疾病专家的诊疗规则编码为可执行的逻辑推理引擎,实现了对细菌感染性疾病的自动推理与抗生素推荐[7],其诊断准确率在特定病例集上已达到或超越部分感染科专家的水平。神经科领域的同期尝试包括面向癫痫鉴别诊断与脑电图解读的规则推理系统,以及辅助神经传导速度结果解释的启发式程序,这些早期探索奠定了临床决策支持系统的基本架构理念。然而,专家系统的核心局限在于知识获取的“瓶颈”,规则的完整性依赖于领域专家的持续人工构建,无法从数据中自主学习,面对复杂的疾病表型时泛化能力严重不足,最终无法实现在临床实践中广泛应用。
1.2 传统机器学习阶段
进入20世纪90年代至21世纪初,以支持向量机(upport vector machine, SVM)、随机森林(Random Forest)、贝叶斯网络为代表的传统机器学习方法逐步取代规则系统,成为医学AI的主流工具。这一时期的神经科应用集中于3个方向:基于结构特征的神经影像分割与分类[如海马体积自动测量辅助阿尔茨海默病(Alzheimer Disease,AD)筛查,以Alzheimer Disease Neuroimaging Initiative为代表的多中心纵向影像研究奠定了这一方向的数据基础[8]、基于统计特征的EEG癫痫波自动检测,以及基于临床变量的预后预测模型。这一阶段引入了从数据中学习的核心范式,但高度依赖特征工程,即需要领域专家手工设计输入特征,这一点仍制约了方法的可扩展性。
1.3 神经影像定量分析的计算生物学基础
与上述机器学习进展并行的,是神经影像定量分析技术体系的系统性建立。基于体素形态学分析(voxel-based morphometry, VBM)的结构MRI灰质密度及体积测量,基于弥散张量成像(diffusion tensor imaging, DTI)的白质纤维束完整性评估,以及功能MRI静息态网络分析的计算方法框架,在此阶段被系统开发与验证[9]。这些方法为后续深度学习神经影像分析提供了关键的先验知识基础,并积累了大量可用于监督学习的标注影像数据集,构成了现代神经影像AI的数据基石。
1.4 早期基因组学计算方法
在遗传病诊断领域,基于Sanger测序与微阵列比较基因组杂交(array-based comparative genomic hybridization, aCGH)的遗传变异检测,配合基于数据库比对的变异解读工具(ClinVar、OMIM系统),构建了第一代计算辅助遗传诊断体系。对于遗传性神经肌肉病、神经发育障碍的拷贝数变异分析以及多基因遗传性神经变性病的早期筛查,这一时期建立的计算框架为后续二代测序(next-generation sequencing, NGS)时代AI驱动的变异功能解读奠定了方法论基础。
2 现在:深度学习驱动的神经科学实践变革
深度学习的兴起,以LeCun、Bengio和Hinton的开创性工作为里程碑[1],彻底改变了AI医学应用的技术格局。卷积神经网络(convolutional neural network, CNN)对图像特征的端到端自动提取能力、循环神经网络与Transformer架构对序列数据的建模能力,以及图神经网络对结构化关系数据的处理能力,正在神经科学的多个核心场景中创造出超越传统方法的临床价值[10,11]。
2.1 神经影像AI:脑卒中、脑肿瘤与神经系统变性病变
脑卒中是神经科急诊最重要的疾病之一,影像学时间窗判断直接决定再灌注治疗决策。AI辅助CT、MRI脑卒中影像分析已在多个商业化系统中实现临床落地,能够实现大血管闭塞的快速自动检测、缺血半暗带的体积量化以及相应的院前分诊预警。Chilamkurthy等[12]进行的大规模回顾性研究证明,深度学习算法在头部CT上发现危重病变(颅内出血、中线移位、占位效应等)的检出敏感度上可达到与神经放射科医师相当的水平,在资源匮乏的院前及基层医疗场景中可能具有显著的应用价值。
在脑肿瘤领域,基于MRI多序列(T1、T2、FLAIR、增强T1)的深度学习分割模型,在国际脑肿瘤分割挑战(Brain Tumor Segmentation,BraTS)[13]系列竞赛中,实现了肿瘤核心区、坏死区与水肿区的精细自动化区分,其自动分割性能接近或超越神经放射科专家的水平。此外,Kamnitsas等[14]提出的高效多尺度三维CNN架构在脑病变分割任务中展现出优异的空间精度,为放疗靶区勾画与治疗反应评估提供了高效的辅助工具。基于影像组学与深度学习的肿瘤基因型预测,如异柠檬酸脱氢酶(isocitrate dehydrogenase,IDH)突变状态、1p/19q共缺失的无创预测,正在推动神经胶质瘤的影像-分子联合分型,为手术策略与辅助治疗方案的精准设计提供依据。
在神经系统变性疾病领域,AD的早期AI诊断研究尤为深入。Ding等[15]的研究证明,基于脑代谢PET图像训练的深度学习模型,可在AD临床确诊前的平均75.8个月识别出特征性代谢减低模式,展现出症状前期预测的巨大潜力。基于功能磁共振成像(functional magnetic resonance imaging, fMRI)功能连接矩阵的深度学习分类器[16],已在多个独立队列中实现对轻度认知障碍(mild cognitive impairment,MCI)向AD转化风险的预测,其特征可解释性研究同时推动了对AD病理网络传播机制的理解。整合血浆磷酸化tau蛋白定量、神经心理测评电子评分、MRI海马体积与内嗅皮质测量的多维AI融合诊断框架[17],正在推动AD诊断从症状学描述向生物标志物驱动的连续谱系分期转型。
2.2 EEG人工智能:癫痫监测与脑机接口
EEG是神经科诊疗中数据量最庞大且判读最耗时的检查之一。基于深度学习的EEG自动分析在癫痫领域取得了最为突出的临床进展。Schirrmeister等[18]提出的针对原始EEG信号的端到端深度卷积神经网络,不依赖手工特征的情况下即可实现高精度的脑电状态解码,在癫痫发作检测任务检测性能优于传统手工特征方法。Roy等[19]对深度学习EEG分析领域的系统综述证明,CNN与长短期记忆网络(long short-term memory, LSTM)的协同架构可在大规模EEG数据上对于癫痫发作的自动检测与痫样放电的识别接近临床专家的水平,且对不同年龄段(新生儿至成人)患者的EEG特征均展示出良好的泛化性能。长程动态EEG监测产生的海量数据,在AI辅助判读系统的支撑下,正在逐步改变院内长程监测与家庭远程脑电监测的数据利用效率,支撑大规模癫痫自然史研究与精准治疗评估。
脑机接口(brain-computer interface,BCI)是EEG深度学习应用的另一重要方向。Vansteensel等[20]报道了基于完全植入式BCI的闭锁综合征患者意图提取系统,为晚期运动障碍神经疾病,如肌萎缩侧索硬化(amyotrophic lateral sclerosis,ALS)、脊髓性肌萎缩症(spinal muscular atrophy, SMA)等患者的辅助沟通方案提供了具有里程碑意义的概念验证,展示了AI信号解码在神经修复领域的革命性潜力。
2.3 帕金森病的数字化评估与智能监测
帕金森病(Parkinson disease,PD)是AI神经运动分析应用最成熟的领域之一。基于智能手机传感器与可穿戴惯性测量单元的步态、震颤及运动迟缓AI评估系统[21],已在多项临床验证研究中显示出与临床统一帕金森病评定量表(Unified Parkinson Disease Rating Scale, UPDRS)评分高度相关的定量评估能力,其持续居家监测的优势可提供在诊室单次评估中无法获取的运动波动全貌信息。Espay等[22]系统综述了数字技术在PD临床研究中的机遇与挑战,指出高密度连续运动监测数据对“wearing-off”现象的客观量化及左旋多巴治疗的个体化调整的重要意义。在神经影像层面,基于黑质弥散MRI特征与多巴胺转运体单光子发射计算机断层扫描(single photon emission computed tomography, SPECT)影像的深度学习分类,分类性能在PD与非典型帕金森综合征的鉴别诊断中已达到与专科医师相当的水平,有望改善基层神经科的鉴别诊断准确率。
2.4 自然语言处理与临床神经信息挖掘
神经科临床文本(入院记录、神经系统查体描述、出院小结、影像报告等)蕴含着丰富的临床信息,但长期以非结构化形式存储于电子病历系统中,难以被系统性利用。基于BERT等[23]大型预训练语言模型的自然语言处理(natural language processing,NLP)系统,已实现对神经科临床文本(症状、体征、诊断、用药)的实体识别、临床事件时序提取以及疾病表型自动化标注,为大规模神经科真实世界研究提供了数据获取的技术基础。将NLP提取的临床表型数据与人类表型本体(human phenotype ontology,HPO)词汇体系[24]对接,可系统性支持基因型-表型关联分析以及面向遗传性神经病的患者识别算法的构建,在神经系统罕见病的临床队列建设中具有尤为突出的价值。
2.5 从单点工具到临床决策支持体系的整合
Shen等[10]对深度学习医学影像分析的系统综述以及Benjamens等[25]对FDA批准AI医疗器械的全面分析均显示,AI医疗应用正从单点模型的学术验证向跨模态、跨工作流的临床决策支持体系整合演进。以脑卒中为例,一体化AI平台可将急诊分诊文本分析、CT灌注图像自动解读、溶栓禁忌证自动核查以及绕行分流推荐整合于单一工作流,标志着神经科AI从辅助工具向认知协作伙伴的角色转型。在方法学规范层面,Collins等[26]发布的预测模型个体预后或诊断透明报告(Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis, TRIPOD)报告标准为预测模型的透明化研究报告提供了重要框架,是神经科AI研究质量提升的重要参考依据。
3 神经系统罕见病:人工智能的靶向应用进展
3.1 神经系统罕见病的疾病谱与AI介入的特殊价值
神经系统罕见病在罕见病整体谱系中占据极为重要的地位。Orphanet数据库的系统统计显示,神经系统受累的罕见病约占全部已登记罕见病的30%以上[6],涵盖罕见遗传性神经肌肉病[如SMA、杜氏肌营养不良症(Duchenne muscular dystrophy, DMD)]、罕见癫痫综合征(如Dravet综合征、CDKL5缺乏症、Lennox-Gastaut综合征)、罕见神经变性病[如亨廷顿病(Huntington disease, HD)、家族性肌萎缩侧索硬化症]、罕见脑白质病[27]、神经系统受累的溶酶体贮积症(如3型戈谢病、尼曼-皮克C型)以及罕见线粒体脑病(如MELAS综合征、Leigh综合征)[28]等多个大类。这些疾病除面临罕见病共性诊疗难题以外,受神经系统高度复杂的影响,额外叠加了多重技术瓶颈:多模态神经影像判读需要高度专业化训练,脑电图解读存在显著的观察者间差异,神经系统变性变的早期识别极为困难,且多系统累及的神经综合征极易被基层医师误判为常见神经发育障碍。AI的系统性介入,正在逐一应对上述特殊挑战。
3.2 神经影像深度学习:脑白质病与罕见神经变性病的精准分型
脑白质病是遗传性髓鞘形成障碍疾病的总称,van der Knaap等[27]基于病理改变与发病机制提出的分类体系涵盖逾30种亚型,其MRI表现的高度相似性使得不同亚型之间的影像鉴别诊断对放射科医师和神经科医师均构成严峻挑战。深度卷积神经网络通过对海量白质异常MRI图像的特征端到端学习,能够提取人类视觉难以系统量化的细微纹理、分布模式与信号动态变化,有望实现不同脑白质病亚型的自动分类,辅助非专科中心和资源匮乏地区的神经影像判读,显著缩短确诊时间。Litjens等[29]对深度学习在医学影像分析各分支领域的系统综述已全面梳理了相关方法论进展,其结论对神经影像AI的应用具有直接指导意义。
HD是成年起病罕见神经变性病中AI应用最为成熟的代表性疾病。TRACK-HD纵向研究[30]系统量化了HD症状前期及早期患者的纹状体萎缩进展轨迹与认知运动生物标志物体系,所积累的高质量标注数据集为后续机器学习预测模型的训练提供了坚实基础。早在该研究启动之前,基于CAG重复数与年龄的统计预测模型[31]即已实现对HD发病年龄的精准预测,近年来随着神经影像生物标志物、血浆神经丝轻链(neurofilament light chain, NfL)、可穿戴步态传感器数据与认知测评数据的多模态整合,HD的AI预测框架已进入多维度生物标志物融合的新阶段,为修饰性治疗临床试验的患者分层提供了数据驱动的精准工具。
线粒体脑病(mitochondrial encephalopathy)涵盖MELAS综合征、Leigh综合征、肌阵挛性癫痫伴破碎红纤维综合征(myoclonic epilepsy and ragged-red fiber disease,MERRF)等多种亚型。Gorman等[28]的系统综述显示,线粒体脑病的遗传基础横跨核基因组(约1 500个核编码线粒体基因)与线粒体基因组(37个基因)的双重突变谱,临床表型高度异质,发病年龄从新生儿到成年晚期均可见。AI辅助的基因组变异解读与神经影像特征联合分析,有望改善线粒体脑病的确诊率,并指导靶向基因治疗与代谢支持策略的个体化选择。
3.3 罕见癫痫综合征的智能EEG分析与数字化监测
罕见癫痫综合征的诊断与长期脑电监测是神经科AI应用最为活跃的细分领域之一。依据国际抗癫痫联盟(International League Against Epilepsy, ILAE)最新癫痫分类体系[32],Dravet综合征、CDKL5缺乏症、KCNQ2脑病、Lennox-Gastaut综合征等多种罕见癫痫综合征均被列为具有独立遗传病因与特征性临床表现的疾病,这些疾病以高度耐药性、高发作负荷及进行性认知运动功能损伤等核心临床特征。此类疾病脑电表现异质性极强,痫样放电具备发放稀疏、显著时间依赖性的特点,特征波形隐匿、检出难度大,常规短时脑电图受采样时长限制,往往难以捕捉到特异性异常电活动。以Dravet综合征为例,主要致病基因为SCN1A基因(编码电压门控钠离子通道α1亚单位),发病初期脑电图可完全正常,发作间期可有局灶性、多灶性和(或)广泛性痫样放电,可完全正常。需定期复查脑电图,以及长程脑电图协助诊断[33],经训练的深度学习模型可在基因检测结果出来前辅助临床预筛,显著缩短确诊周期。
在设备层面,Ramgopal等[34]对癫痫发作检测系统的全面综述揭示了智能可穿戴设备在耐药性罕见癫痫综合征管理中的应用潜力:基于加速度计、心率和表面肌电的多传感器融合AI算法,可实现居家环境下的实时发作检测与累积发作负荷监测,为疗效评估与剂量调整提供客观的连续数据,并在危及生命的发作前及时发出预警,显著提升患者的生活质量与安全保障。
3.4 罕见神经肌肉病的遗传诊断加速与运动功能智能评估
SMA和DMD是儿童期最常见的致死性罕见神经肌肉病。Finkel等[35]发表的ENDEAR关键临床试验确立了反义寡核苷酸药物nusinersen在Ⅰ型SMA婴儿中的显著疗效,标志着SMA正式进入可被有效治疗的时代;Day等[36]发表的STR1VE试验进一步证明,单次静脉注射基因治疗药物onasemnogene abeparvovec可在有症状的SMN2双拷贝婴儿中实现持续的运动功能改善,将SMA的治疗策略从对症管理推进至基因根治层面。上述突破性疗法的出现,对尽早确诊与精准分型提出了前所未有的迫切需求,因为治疗启动时机,尤其是症状前期新生儿筛查后的早期干预,对最终运动结局具有决定性影响。
AI在神经肌肉病领域的应用集中于3个互补层面。首先,基于NGS数据的机器学习变异解读工具将美国医学遗传学与基因组学学会(American College of Medical Genetics and Genomics, ACMG)致病性分类标准数字化,可快速鉴定SMN1基因缺失、DMD外显子大片段缺失及各类点突变,显著缩短实验室报告周期,加速新生儿筛查阳性病例的快速基因确认。其次,基于视频分析与可穿戴惯性传感器的步态与运动功能AI系统,可对SMA和DMD患者的运动能力进行高频率、连续、客观的纵向监测,弥补传统量表(Hammersmith功能运动量表、6min步行测试)单次测量和主观依赖的固有局限,为新型药物疗效评估提供高密度的数字终点。最后,基于深度学习的肌肉MRI脂肪浸润自动定量分析[29],已在DMD和SMA自然史研究与临床试验中被验证为高灵敏度的影像生物标志物,其在早期微小功能变化阶段的检测优势,有望支撑小样本罕见病临床试验的统计效力设计。
3.5 深度学习基因组学与罕见神经遗传病的变异功能解读
在基因组学层面,Eraslan等[37]系统总结了深度学习对基因组调控元件识别、剪接位点变异预测与基因表达建模的方法论突破,这些能力对于罕见神经遗传病(尤其是剪接突变与非编码区变异驱动的疾病亚型)具有直接且重要的应用价值。以Dravet综合征(SCN1A)、Rett综合征(MECP2)、肝豆状核变性(ATP7B)[38]为代表的罕见神经遗传病,均拥有庞大且异质性极高的变异谱,其中相当比例的变异在传统分类体系下被标注为“意义未明变异(variant of uncertain significance,VUS)”,严重制约了基因报告对临床决策的指导价值。深度学习变异功能预测模型,如SpliceAI对剪接突变的预测精度已被多项独立研究证实,通过对大规模基因组及转录组数据的端到端学习,可将相当比例的VUS从不确定性分类重新定向至致病性或良性区间,实质性提升神经遗传病基因检测的临床诊断效能。
溶酶体贮积症中的神经系统受累亚型(如3型戈谢病、尼曼-皮克C型)因神经精神症状表现弥散,常与孤独症谱系障碍、发育迟缓或精神分裂症相混淆,导致容易误诊。AI驱动的多表型整合分析算法,通过同时处理神经影像特征、代谢筛查指标、基因变异信息与HPO结构化临床表型,可系统性辅助提升神经科医师对此类疾病的识别效率,助力这类疾病的早诊早治。
3.6 罕见神经系统疾病的智能患者登记与自然史建模
患者登记系统是罕见病自然史研究、临床试验患者招募及真实世界疗效评估的核心数据基础设施。传统神经科罕见病登记注册高度依赖人工录入,数据质量参差不齐,跨中心互操作性不足。以HD领域ENROLL-HD为代表的大型国际注册研究,正在积极探索将可穿戴数字生物标志物、体液生物标志物(比如血浆NfL、血浆突变体亨廷顿蛋白)、神经认知测评与患者报告结局(patient-reported outcome, PRO)数据多流汇合的智能化登记架构;而基于NLP的电子病历自动化表型提取技术,则进一步实现了从既有病历系统向登记数据库的半自动化信息迁移,大幅降低数据采集的人力成本与时间延迟。AI驱动的自然史建模,将基于上述高质量多模态数据集构建个体化疾病进展预测模型,为罕见神经系统疾病修饰性治疗的临床试验精准设计提供决策依据。
4 未来:从工具赋能到认知协同的下一个十年
4.1 可解释人工智能与临床信任建立
当前深度学习系统的核心挑战之一是“黑箱”属性,即模型的决策依据难以被临床医师理解与验证,制约了AI在高风险临床决策场景中的部署可信度。梯度加权类激活映射(Gradient-Weighted Class Activation Mapping, Grad-CAM)[39]、沙普利加性解释(SHapley Additive exPlanations,SHAP)值分析、注意力权重可视化等可解释AI(explainable AI, XAI)方法,正在为神经影像分类、基因变异致病性预测等任务提供决策依据的可视化支撑。未来,如何在神经科复杂多模态场景中系统性构建可被临床医师理解与审核的AI解释框架,是推动AI从研究概念向临床实践可靠落地的关键技术课题。
4.2 联邦学习与跨中心罕见病数据整合
罕见病临床AI面临着根本性数据困境,因单一中心病例数极少,导致无法支撑有效模型训练。解决这一问题可以通过联邦学习(federated learning)在不共享原始患者数据的前提下实现跨中心分布式协同训练[40]。联邦学习保护患者隐私的特性,使其在受通用数据保护条例(General Data Protection Regulation, GDPR)及各国医疗数据隐私法规约束的跨国合作场景中尤具战略价值。以国际神经科罕见病联盟,如RD-Connect、EURO-RDI等基础设施为依托,联邦学习有望实现对分散于全球数十个专病中心的小样本神经系统罕见病数据集的统一训练利用,从根本上突破罕见病AI研究的样本瓶颈。
4.3 数字孪生与个体化神经疾病模拟
数字孪生,即为特定患者构建捕捉其疾病动态的个体化计算模型,这在神经科学领域具有深远的未来潜力[41]。以HD为例,个体化数字孪生模型将整合基因型、血浆生物标志物动态轨迹、神经影像纵向变化、认知运动评估数据及可穿戴传感器连续记录,构建能够预测未来2~5年疾病进展速率与关键功能转折点的个体化模型,支撑修饰性治疗的最优启动时机决策与疗效预期量化。
4.4 大语言模型与神经科专业知识赋能
以大语言模型(large language models,LLM)为代表的新型AI系统在医学知识整合、临床推理辅助与患者教育支持领域展现出前所未有的能力。Singhal等[42]发表的Med-PaLM研究证明,经领域优化的LLM在美国执照医师资格考试模拟题上可达到“专家水平”的通过分数。在神经科罕见病的具体应用中,LLM有望作为“罕见病知识助手”,辅助基层神经科医师快速获取特定罕见疾病的诊断标准、遗传咨询要点与最新治疗进展。然而,LLM在医学高风险场景中的“幻觉”问题仍是制约其临床部署的关键安全顾虑,需要基于检索增强生成与领域专用微调构建系统性技术方案以破解上述难题。
4.5 伦理框架、监管路径与公平性考量
AI在神经科应用的推广,必须建立在坚实的伦理框架与监管体系之上。Char等[43]系统分析了医疗机器学习临床实施面临的伦理挑战,涵盖算法公平性、知情同意、医疗责任归属与临床实践变更管理等核心维度。对于神经科罕见病AI,特别需要关注以下伦理维度:在遗传预测性检测中,AI预测信息的提供时机与方式对患者心理健康的潜在影响;在基于电子病历挖掘的罕见病自动识别中,对少数民族或社会经济弱势群体可能存在的算法性偏差与诊断公平性问题;以及在药物开发数据驱动决策中,防止AI优化目标脱离患者真实利益。
5 结论
人工智能在神经系统疾病领域的应用,已从早期的规则系统与传统机器学习,历经深度学习革命,发展至当前多模态融合、大语言模型与可穿戴数字生物标志物相互渗透的新阶段。神经科作为处理最复杂生物系统疾病的临床专科,既面临AI应用的独特挑战,也因其数据类型的多元性与临床问题的迫切性,成为AI医学应用创新最为密集的领域之一。
对于神经系统罕见病,AI的介入意义尤为深远。从SMA的基因治疗时代早期诊断支撑,到Dravet综合征的居家EEG实时监控;从HD的数字生物标志物疾病修饰评估,到线粒体脑病的多维表型-基因型联合解读;从脑白质病的影像深度学习精准分型,到VUS的深度学习功能重新注释。AI正在从根本上改写神经系统罕见病患者从“确诊过程”到“精准治疗”的时间成本方程。
展望未来,神经科AI应用的核心挑战在于从技术可行性向临床可靠性的系统转化,在于从单一模型的学术验证向可在真实世界临床流程中持续创造价值的医疗系统整合。可解释性、公平性、数据隐私保护与监管合规性,将与技术性能并列为下一个十年神经科AI发展的核心评价维度。以患者利益为中心的人机协同诊疗模式,将成为AI神经科学研究从技术突破走向普惠临床价值的关键着力点。
参考文献
1. LeCun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 521(7553): 436-444.
2. Topol EJ. High-performance medicine: The convergence of human and artificial intelligence[J]. Nat Med, 2019, 25(1): 44-56.
3. Jiang F, Jiang Y, Zhi H, et al. Artificial intelligence in healthcare: Past, present and future[J]. Stroke Vasc Neurol, 2017, 2(4): 230-243.
4. Feigin V, Nichols E, Alam T, et al. Global, regional, and national burden of neurological disorders, 1990: 2016: A systematic analysis for the Global Burden of Disease Study 2016[J]. Lancet Neurol, 2019, 18(5): 459-480.
5. Obermeyer Z, Emanuel EJ. Predicting the future: Big data, machine learning, and clinical medicine[J]. N Engl J Med, 2016, 375(13): 1216-1219.
6. Nguengang Wakap S, Lambert DM, Olry A, et al. Estimating cumulative point prevalence of rare diseases: Analysis of the Orphanet database[J]. Eur J Hum Genet, 2020, 28(2): 165-173.
7. Shortliffe EH. Computer-Based Medical Consultations: MYCIN[M]. New York: Elsevier/North Holland, 1976.
8. Jack CR Jr, Bernstein MA, Fox NC, et al. The Alzheimer’s disease neuroimaging initiative (ADNI): MRI methods[J]. J Magn Reson Imaging, 2008, 27(4): 685-691.
9. Ashburner J, Friston KJ. Voxel-based morphometry: the methods[J]. NeuroImage, 2000, 11(6): 805-821.
10. Shen D, Wu G, Suk HI. Deep learning in medical image analysis[J]. Annu Rev Biomed Eng, 2017, 19: 221-248.
11. Esteva A, Robicquet A, Ramsundar B, et al. A guide to deep learning in healthcare[J]. Nat Med, 2019, 25(1): 24-29.
12. Chilamkurthy S, Ghosh R, Tanamala S, et al. Deep learning algorithms for detection of critical findings in head CT scans: A retrospective study[J]. Lancet, 2018, 392(10162): 2388-2396.
13. Menze BH, Jakab A, Bauer S, et al. The multimodal brain tumor image segmentation benchmark (BRATS)[J]. IEEE Trans Med Imaging, 2015, 34(10): 1993-2024.
14. Kamnitsas K, Ledig C, Newcombe VFJ, et al. Efficient multi-scale 3D CNN with fully connected CRF for accurate brain lesion segmentation[J]. Med Image Anal, 2017, 36: 61-78.
15. Ding Y, Sohn JH, Kawczynski MG, et al. A deep learning model to predict a diagnosis of Alzheimer disease by using 18F-FDG PET of the brain[J]. Radiology, 2019, 290(2): 456-464.
16. Kam TE, Zhang H, Jiao Z, et al. Deep learning of static and dynamic brain functional networks for early MCI detection[J]. IEEE Trans Med Imaging, 2020, 39(2): 478-487.
17. Hampel H, Cummings J, Blennow K, et al. Developing the ATX(N) classification for use across the Alzheimer disease continuum[J]. Nat Rev Neurol, 2021, 17(9): 580-589.
18. Schirrmeister RT, Springenberg JT, Fiederer LDJ, et al. Deep learning with convolutional neural networks for EEG decoding and visualization[J]. Hum Brain Mapp, 2017, 38(11): 5391-5420.
19. Roy Y, Banville H, Albuquerque I, et al. Deep learning-based electroencephalography analysis: A systematic review[J]. J Neural Eng, 2019, 16(5): 051001.
20. Vansteensel MJ, Pels EGM, Bleichner MG, et al. Fully implanted brain–computer interface in a locked-In patient with ALS[J]. N Engl J Med, 2016, 375(21): 2060-2066.
21. Maetzler W, Domingos J, Srulijes K, et al. Quantitative wearable sensors for objective assessment of Parkinson’s disease[J]. Mov Disord, 2013, 28(12): 1628-1637.
22. Espay AJ, Bonato P, Nahab FB, et al. Technology in Parkinson’s disease: Challenges and opportunities[J]. Mov Disord, 2016, 31(9): 1272-1282.
23. Azizi S, Hier DB, Wunsch Ii DC. Enhanced neurologic concept recognition using a named entity recognition model based on transformers[J]. Front Digit Health, 2022, 4: 1065581.
24. Köhler S, Carmody L, Vasilevsky N, et al. Expansion of the Human Phenotype Ontology (HPO) knowledge base and resources[J]. Nucleic Acids Res, 2019, 47(D1): D1018-D1027.
25. Benjamens S, Dhunnoo P, Meskó B. The state of artificial intelligence-based FDA-approved medical devices and algorithms: An online database[J]. NPJ Digit Med, 2020, 3: 118.
26. Collins GS, Reitsma JB, Altman DG, et al. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): The TRIPOD statement[J]. BMJ, 2014, 350(jan07 4): g7594.
27. van der Knaap MS, Bugiani M. Leukodystrophies: A proposed classification system based on pathological changes and pathogenetic mechanisms[J]. Acta Neuropathol, 2017, 134(3): 351-382.
28. Gorman GS, Chinnery PF, DiMauro S, et al. Mitochondrial diseases[J]. Nat Rev Dis Primers, 2016, 2: 16080.
29. Litjens G, Kooi T, Bejnordi BE, et al. A survey on deep learning in medical image analysis[J]. Med Image Anal, 2017, 42: 60-88.
30. Tabrizi SJ, Langbehn DR, Leavitt BR, et al. Biological and clinical manifestations of Huntington’s disease in the longitudinal TRACK-HD study: Cross-pal analysis of baseline data[J]. Lancet Neurol, 2009, 8(9): 791-801.
31. Langbehn DR, Hayden MR, Paulsen JS, et al. CAG-repeat length and the age of onset in Huntington disease (HD): A review and validation study of statistical approaches[J]. Am J Med Genet Part B Neuropsychiatr Genet, 2010, 153B(2): 397-408.
32. Scheffer IE, Berkovic S, Capovilla G, et al. ILAE classification of the epilepsies: Position paper of the ILAE Commission for Classification and Terminology[J]. Epilepsia, 2017, 58(4): 512-521.
33. Millichap JJ, Koh S, Laux LC, et al. Child Neurology: Dravet syndrome: When to suspect the diagnosis[J]. Neurology, 2009, 73(13): e59-e62.
34. Ramgopal S, Thome-Souza S, Jackson M, et al. Seizure detection, seizure prediction, and closed-loop warning systems in epilepsy[J]. Epilepsy Behav, 2014, 37: 291-307.
35. Finkel RS, Mercuri E, Darras BT, et al. Nusinersen versus sham control in infantile-onset spinal muscular atrophy[J]. N Engl J Med, 2017, 377(18): 1723-1732.
36. Day JW, Finkel RS, Chiriboga CA, et al. Onasemnogene abeparvovec gene therapy for symptomatic infantile-onset spinal muscular atrophy in patients with two copies of SMN2 (STR1VE): An open-label, single-arm, multicentre, phase 3 trial[J]. Lancet Neurol, 2021, 20(4): 284-293.
37. Eraslan G, Avsec Ž, Gagneur J, et al. Deep learning: New computational modelling techniques for genomics[J]. Nat Rev Genet, 2019, 20(7): 389-403.
38. Członkowska A, Litwin T, Dusek P, et al. Wilson disease[J]. Nat Rev Dis Primers, 2018, 4: 21.
39. Selvaraju RR, Cogswell M, Das A, et al. Grad-CAM: Visual explanations from deep networks via gradient-based localization[C]//2017 IEEE International Conference on Computer Vision (ICCV). October 22-29, 2017. Venice. IEEE, 2017: 618-626.
40. Rieke N, Hancox J, Li W, et al. The future of digital health with federated learning[J]. npj Digit Med, 2020, 3: 119.
41. Bruynseels K, Santoni de Sio F, van den Hoven J. Digital twins in health care: Ethical implications of an emerging engineering paradigm[J]. Front Genet, 2018, 9: 31.
42. Singhal K, Azizi S, Tu T, et al. Large language models encode clinical knowledge[J]. Nature, 2023, 620(7972): 172-180.
43. Char DS, Shah NH, Magnus D. Implementing machine learning in health care: Addressing ethical challenges[J]. N Engl J Med, 2018, 378(11): 981-983.
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