Bringing medical advances from the lab to the clinic.
关键词：AD；在线书写；1D-CNN；可解释性；Scientific Reports
随着全球超过5500万人受到痴呆症的影响，并且每年新增近1000万病例，阿尔茨海默病（AD）作为一种普遍且具有挑战性的神经退行性疾病，对社会和医疗系统构成了巨大负担。【1】。在AD的早期阶段，患者可能会经历微妙但显著的运动技能变化，如书写或穿衣困难。书写（Handwriting, HW）作为一种复杂的心理运动技能，需要精细的运动控制、特定的神经肌肉协调和视觉空间功能。因此，书写分析被认为是检测AD早期阶段的有力工具。尽管机器学习和深度学习技术在分析书写动态和预测AD方面取得了显著进展，但这些模型通常被视为“黑箱”系统，缺乏决策过程的透明度。这种局限性阻碍了它们在临床应用中的广泛接受和信任，尤其是在医疗保健环境中，可解释性至关重要【2】。2024年9月27日，Jana Sweidan 等研究学者们在国际顶尖学术期刊 Scientific Reports 上发表题为 Explainability of CNN-based Alzheimer’s disease detection from online handwriting 的研究论文【3】。本研究旨在通过解释卷积神经网络（CNN）对在线书写数据的预测，来填补这一研究空白。
研究揭示了健康个体与阿尔茨海默病患者在书写运动行为上的差异，强调了可解释性在将复杂模型转化为临床相关见解中的关键作用。
![]()
（如需原文，请加微信healsana获取，备注20240927SR）研究使用了在巴黎Broca医院收集的54名参与者的数据，包括早期阿尔茨海默病（ES-AD）患者和健康对照（HC）。成功地将三种可解释性方法——DeepSHAP、2-step TSR和CoMTE——应用于基于CNN的预测，以解释在线书写数据与AD的关联。研究揭示了健康个体和AD患者在线书写数据中的显著差异。健康受试者展现出一致、平滑的运动模式，而AD患者则表现出不稳定的模式，特征为突然停止和方向改变。通过可解释性方法，研究者能够揭示模型预测AD的决策过程。例如，DeepSHAP方法能够提供模型预测的全局和局部解释，帮助理解模型是如何根据输入特征做出决策的。研究结果强调了手写速度特征（Vx和Vy）在AD检测中的重要性。这些特征能够反映书写过程中的运动变化，为AD的早期诊断提供了潜在的生物标志物。上述研究结果不仅为AD的早期诊断提供了新的视角，也为深度学习模型在医疗领域的应用提供了可解释性的证据，有助于提高临床医生和患者对这些模型的信任度。图1. 书写'ℓ'字母时，提取的循环及其速度颜色映射
![]()
图2. 通过CoMTE方法展示的输入实例的反事实解释
![]()
图3. 阈值对可视化效果的影响
![]()
图4. HC和AD受试者的 2-step TSR 相关性评分
![]()
图5. DeepSHAP 的局部和全局解释
![]()
图6. 不同HC和AD患者的局部解释
本研究通过深入分析在线手写数据，揭示了阿尔茨海默病（AD）患者与健康个体在手写运动行为上的差异，这对于早期诊断和疾病进展监测具有重要的临床意义。研究结果强调了手写分析在识别AD早期迹象中的潜力，为开发新的诊断工具和干预策略提供了科学依据。此外，通过应用可解释的机器学习模型，研究不仅提高了模型的透明度和可信度，还为临床医生理解和信任AD检测的深度学习模型提供了支持，有助于推动人工智能技术在神经退行性疾病诊断和治疗中的应用。
科研启发：
本研究展示了结合深度学习和可解释性技术在复杂生物医学数据分析中的研究潜力。通过揭示数据背后的模式和趋势，研究为未来在更广泛的疾病标志物发现、疾病机制理解以及个性化医疗方案的制定提供了新的思路。此外，研究还提示了在设计和实施深度学习模型时，考虑模型的可解释性对于实现其在临床实践中的应用至关重要。
未来的研究可以进一步探索如何优化模型的可解释性，以及如何将这些模型应用于其他类型的神经退行性疾病，以提高诊断的准确性和治疗的有效性。
【1】World Health Organization. Dementia Fact Sheet.https://www.who.int/news-room/fact-sheets/detail/dementia (2023).【2】Hayashi, A. et al. Neural substrates for writing impairments in Japanese patients with mild Alzheimer’s disease: A SPECT study. Neuropsychologia. 49(7), 1962–1968.【3】https://doi.org/10.1038/s41598-024-72650-2本文只是分享和解读公开的研究论文及其发现，以作科学文献记录和科研启发用；并不代表作者或本公众号的观点，更不代表本公众号认可研究结果或文章。为了给大家提供一个完整而客观的信息视角，我们有时会分享有冲突或不同的研究结果。请大家理解，随着对疾病的研究不断深入，新的证据有可能修改或推翻之前的结论。作者：Amber Wang，微信号：Healsana。助理：ChatGPT征战AD公众号，以分享阿尔茨海默病领域最新研究为主旨，希望由此推动由实验室向临床应用的转化。欢迎您的投稿与合作；也希望其他医学科学家以推文的形式分享您的研究成果。运营：美国Healsan咨询公司AD项目组，专注于临床科研及临床试验的服务公司，擅长于针对阿尔茨海默病的临床科研设计及临床试验结果的报告撰写。
