基于人工智能的假设模型对神经认知疾病的临床意义,该模型使用了一种新的双任务系统
Yuto Satake1,2, Daiki Taomoto3, Shuqiong Wu4
1Department of Psychiatry, Osaka University Graduate School of Medicine, 2-2 D3 Yamadaoka, Suita, Osaka, 565-0871, Japan. y.satake@psy.med.osaka-u.ac.jp.
Scientific reports
|April 22, 2025
概括
我们的AI双任务系统有效地选神经认知障碍,如阿尔茨海默病和轻度认知障碍. 虽然它对于检测是准确的,但它的输出值在初始诊断之外具有有限的临床意义.
科学领域:
- 神经科学是一个神经科学.
- 人工智能在医学中的应用
- 老年学是一门学科.
背景情况:
- 双重任务,将身体和认知活动结合起来,用于检测神经认知障碍.
- 以前的研究开发了一个准确的AI双任务系统,用于区分神经认知障碍患者与健康对照.
- 除了诊断标签之外,人工智能系统的特定输出值的临床实用性需要调查.
研究的目的:
- 为了确定AI双任务系统的输出值 (y值) 是否具有诊断分类之外的临床意义.
- 评估人工智能系统的y值与已建立的神经心理测试之间的相关性.
- 为了比较AI双任务系统的诊断准确性与迷你精神状态检查 (MMSE).
主要方法:
- 回顾性横截面研究,包括阿尔茨海默病痴呆症患者,勒维体痴呆症患者,轻度认知障碍患者和健康的老年人.
- 用皮尔森相关系数来评估AI y值与各种认知测试 (MMSE,ACE,逻辑记忆,FAB,数字跨度) 之间的关系.
- 进行了接收器操作特征 (ROC) 分析,以评估AI系统和MMSE的诊断性能.
主要成果:
- 人工智能系统的y值与几个认知测试有显著的相关性,但MMSE在更广泛的测试中表现出更强的相关性.
- 人工智能双任务系统实现了高诊断准确性,灵敏度为0.969,特异性为0.912,曲线下的面积 (AUC) 为0.981.
- 人工智能系统的AUC (0.981) 高于MMSE (0.934),表明神经认知障碍的诊断能力优越.
结论:
- 这种由人工智能驱动的双重任务系统在预测神经认知障碍方面具有很高的能力.
- 人工智能系统输出值的临床意义主要局限于对神经认知障碍的查,而不是详细的认知功能估计.
- 在实施这种AI双任务系统时,了解局限性和适当的临床应用场景至关重要.
