2020年9月28日

人工智能平台在0.36秒内诊断肌张力障碍，准确率高

Mass Eye and Ear的研究人员开发了一种独特的诊断工具，可以通过核磁共振扫描检测肌张力障碍，这是同类技术中第一个提供客观诊断这种疾病的技术。肌张力障碍是一种潜在的致残神经系统疾病，它会导致不随意肌收缩，导致不正常的运动和姿势。它经常被误诊，人们可能需要长达10年才能得到正确的诊断。

在9月28日发表的一项新研究中PNAS研究人员开发了一种基于人工智能的深度学习平台——dystonianet——来比较612人的大脑mri，其中包括392名患有三种不同形式的孤立病灶的患者肌张力障碍220个健康的人该平台诊断肌张力障碍的准确率为98.8%。在这个过程中，研究人员发现了一种新的肌张力障碍的微结构神经网络生物标记物。随着进一步的测试和验证，他们相信DystoniaNet可以很容易地集成到临床决策中。

“目前没有肌张力障碍的生物标志物，也没有诊断它的‘金标准’测试。正因为如此，许多患者不得不进行不必要的手术，看不同的专家，直到排除其他疾病，确定肌张力障碍的诊断。”麻省总医院副神经科学家，哈佛医学院耳鼻喉-头颈外科副教授。“我们迫切需要开发、验证和整合客观测试工具来诊断这种神经疾病，我们的结果显示，DystoniaNet可能填补这一空白。”

一种出了名难诊断的疾病

每10万人中大约有35人患有孤立性或原发性肌张力障碍——由于目前诊断这种疾病的挑战，这一患病率可能被低估了。在某些情况下，肌张力障碍可能是神经事件的结果，如帕金森氏症或中风。然而，大多数孤立的肌张力障碍病例没有已知的原因，并影响身体的单一肌肉群。这些所谓的局灶性肌张力障碍会导致残疾和身体和情感生活质量的问题。

这项研究包括三种最常见的局灶性肌张力障碍:喉部肌张力障碍，其特征是声带的不自主运动，可能导致语言困难(也称为痉挛性发声障碍);颈部肌张力障碍，导致颈部肌肉痉挛，颈部以不寻常的方式倾斜;眼睑痉挛，一种局灶性的眼睑肌张力障碍，引起不自觉的抽搐和强烈的眼睑闭合。

传统上，肌张力障碍的诊断是基于临床观察，Simonyan博士说。以往的研究发现，临床医生仅基于临床评估对肌张力障碍的诊断达成一致的比例只有34%，并且有报道称，约50%的病例在第一次就诊时被误诊或诊断不足。

DystoniaNet可以集成到医疗决策中

DystoniaNet利用深度学习(一种特殊的人工智能算法)来分析单个核磁共振数据，并识别其中的细微差异大脑结构。该平台能够检测大脑几个已知控制处理和运动命令区域的异常结构簇。这些微小的变化在核磁共振成像中无法用肉眼看到，而这些模式只有通过该平台拍摄3d大脑图像并放大到其微观结构细节的能力才明显。

“我们的研究表明,肌张力障碍诊断DystoniaNet平台的实现将对这个疾病的临床管理变革,“第一项研究作者大卫。Valeriani,博士,博士后研究员在肌张力障碍和语言运动控制实验室质量眼睛和耳朵和哈佛医学院。“重要的是，我们的平台旨在为临床医生提供高效和可理解的诊断，通过提供患者的诊断，人工智能在诊断中的信心，以及关于哪些大脑结构异常的信息。”

DystoniaNet是一个正在申请专利的专有平台，由Simonyan博士和Valeriani博士与Mass General Brigham Innovation联合开发。该技术可以在0.36秒内解读核磁共振扫描的微观结构生物标志物。DystoniaNet已经使用Amazon Web Services计算云平台进行了训练。研究人员认为，这项技术可以很容易地应用于临床，例如通过集成到电子病历或直接在核磁共振扫描仪软件中。如果DystoniaNet在MRI中发现肌张力障碍的高概率，医生可以使用这些信息来帮助确定诊断并立即提出治疗方案。肌张力障碍不能治愈，但一些治疗可以帮助减少肌张力障碍相关痉挛的发生率。