开发一个可访问的痴呆症评估工具:利用剩余网络,步道制作测试和人口统计数据
Jingmei Yang1, Samad Amini1, Boran Hao1
1Department of Electrical & Computer Engineering, Division of Systems Engineering, and Department of Biomedical Engineering, Boston University, Boston, MA, USA.
Journal of Alzheimer's disease : JAD
|July 18, 2025
概括
人工智能增强了使用Trail Making Test (TMT) 的痴呆症查. 这种人工智能工具分析TMT图纸,人口统计数据和完成时间,以准确检测,改进传统方法.
科学领域:
- 计算神经科学是一种计算神经科学.
- 老年医学 老年医学
- 医疗保健中的人工智能
背景情况:
- 阿尔茨海默病和相关的痴呆症构成了日益严重的全球健康挑战,特别是在资源有限的地区.
- 传统的神经心理测试,如Trail Making Test (TMT) 需要经过培训的专业人员,阻碍了广泛的痴呆症查.
- 自动计算评估为全球痴呆症查提供了可扩展和具有成本效益的解决方案.
研究的目的:
- 开发和验证基于人工智能的查工具,用于增强痴呆症检测.
- 该工具整合了人口统计信息,TMT完成时间和TMT绘图分析.
- 提高痴呆症查的准确性和可访问性.
主要方法:
- 开发了非图像模型 (人口统计,TMT时间),仅图像模型和结合模型,包括TMT图纸.
- 训练并验证了来自弗雷明汉心脏研究 (FHS) 和长寿家庭研究 (LLFS) 的数据的模型.
- 利用2865名参与者的综合队列进行了强大的模型评估.
主要成果:
- 整合TMT图纸,人口统计和完成时间的AI模型显著区分了痴呆与正常认知的区别.
- 在LLFS队列中实现了高性能 (AUC为98.62%,灵敏度为87.69%,特异性为98.26%).
- 在FHS队列中表现出强有力的结果 (AUC 96.51%,灵敏度 85.00%,特异性 96.75%).
结论:
- 开发的AI方法优于仅依赖年龄和TMT完成时间的传统方法.
- 纳入TMT绘图分析可以捕捉到传统方法错过的微妙指标.
- 这种人工智能驱动的方法通过将TMT绘图整合到认知评估中,使得有效的痴呆症查成为可能.
