与日本国立精神·神经医疗研究中心宣布了利用富士胶片全新的AI技术预测轻度认知功能障碍症(MCI)患者是否会在两年内进展为阿尔茨海默病(AD)的积极研究成果。※的准确率达88%2※。

该技术是由富士胶片基于其先进的图像识别技术以及机器学习方面的专业知识所开发的。

未来，富士胶片和日本国立精神20%5，临床试验期间有很多MCI患者未发现有进展，被分配到对照组（服用安慰剂等）的患者也因未进展到AD而被认为其病情得到了控制。因此，从统计学角度而言无法得出可信结论。在这种情况下，富士胶片和日本国立精神・神经医疗研究中心认为，使用AI来预测哪些患者会从MCI发展到AD，并只对这些患者进行临床试验，能够正确地评估新药的有效性，使治疗与验证取得成功。

研究内容

近年来，大量研究报告表明，通过引入深度学习，图像识别准确率可以显著提升，但要达到深度学习的效果，需要大量的学习数据支持。然而，目前世界最大的AD研究项目※6的公共数据库中，也不过只有约1000名MCI患者的数据。通常，在物体识别研究领域，要形成深度学习需要超过1000万张图像。在这种情况下，如何通过有限的数据确立高准确率的AI预测技术无疑是一项巨大的挑战。为了解决这个问题，富士胶片决定建立一种AD进展预测AI技术，以大脑中与AD进展高度相关的特定区域为对象，利用深度学习预测AD的进展。

技术确立

富士胶片利用其在摄影和医疗领域积累的先进图像识别技术，从脑部三维MRI图像中，分别对以(1)海马体、(2)前颞叶为中心的区域进行识别，因为，这两块区域被认为与AD进展最为相关。

利用深度学习，从以(1)海马体、(2)前颞叶为中心的两个区域，提取与AD进展相关的详细萎缩模式，并计算其※7。AI进而专注于两个区域确认的、对读片诊断起重要作用的海马体区域和杏仁体区域的萎缩模式，并依据其模式识别其向AD的进展（图1）。

使用NA-ADNI公共数据库的MCI患者数据进行学习。除了被认为与AD进展高度相关的脑内特定区域的图像特征外，还确立了通过认知能力测试评分等多种临床信息进行高精度AD进展预测的技术。

[图1]AI在预测AD进展中关注的详细萎缩模式（三维MRI检查图像）

全脑学习的AI（图1-A，A'）不仅会关注与AD进展高度相关的海马体和杏仁体区域，而且还会关注与之不密切相关的脑脊髓液和枕叶。                                                    另一方面，在以海马体（图1-B）或前颞叶（图1-C）为中心区域学习的AI，更加关注海马体或杏仁体区域的详细萎缩模式，在识别其是否会进展为AD方面比全脑学习的AI更加高效。

通过排除低相关性区域的学习，在有限的数据下深度学习减少了受到个体差异的影响，从而能获得较高的预测准确性。

富士胶片和日本国立精神・神经医疗研究中心的研究小组，采用AD进展预测AI技术，预测2年内患者是否会从MCI进展至AD。除了将AD进展预测AI技术应用于NA-ADNI数据库外，还将其应用于未学习过的※8数据库，对该技术的预测准确性进行了客观的评估。技术验证

在预测MCI患者是否会发展为AD患者时，NA-ADNI的预测正确率为88%，J-ADNI为84%。

同时，与准确率同等重要的AI精度指标※9，NA-ADNI为0.95、J-ADNI为0.91（图2）。

[图2]表示NA-ADNI和J-ADNI评估结果的ROC曲线※10

依据ROC曲线推导出的AUC（ROC曲线下的面积）指标，NA-ADNI为0.95、J-ADNI为0.91。AUC的最大值为1，表明在NA-ADNI和J-ADNI中都能高精度地预测AD进展。

未来展望综上所述，AD进展预测AI技术可以高精度地预测不同人种从MCI到AD的进展，属于可推广性较高的AI技术。

富士胶片和日本国立精神・神经医疗研究中心将在临床试验数据中，对根据AD进展预测AI技术的预测结果分层的患者进行分析，以进一步验证这项技术的有效性。具体而言，通过AD进展预测AI技术预测患者的认知障碍症进展速度，并通过(1)对没有AD进展的患者不进行临床试验、(2)缩小对照组和治疗组之间在进展速度分布上的差异来研究提高临床试验成功率的可能性。力争在AD治疗药物的新临床试验中使用AD进展预测AI技术。

同时，还将探讨将AD进展预测AI技术的算法推广到各种精神疾病和神经系统疾病的脑部图像和临床数据中应用。这关系到患者预后和对治疗的反应预测，我们希望在推动个性化医疗方面能发挥重要作用。

本研究是在日本国立研究开发法人科学技术振兴机构产学共创平台共同研究推进项目（JST、OPERA、JPMJOP1842）的赞助下实施的。