耶鲁大学领导的一项新研究使用了一种称为深度神经网络（DNN）分析的人工智能技术，来解码系统性硬化症患者皮肤受累情况及治疗反应。这项研究发表在《关节炎研究与治疗》杂志上。
系统性硬化症（SSc），又称硬皮病，是一种慢性自身免疫性疾病，其特征是胶原蛋白过度产生。胶原蛋白是一种赋予组织强度和结构的蛋白质。胶原蛋白的过度产生会导致皮肤和其他区域的增厚和硬化，严重影响生活质量。
“患者通常会感到双重压力，因为系统性硬化症不仅会影响他们的内脏器官，还会影响他们的外貌，使疾病变得非常公开。”该研究的主要研究员、医学副教授Monique Hinchcliff博士说，“早期诊断将允许在内脏器官受损之前进行生活方式改变和治疗，从而延长寿命并提高生活质量。”
目前，在系统性硬化症临床试验中，评估皮肤厚度的金标准是半定量改良Rodnan皮肤评分（mRSS）。尽管这一工具被广泛使用，但根据Hinchcliff实验室的研究助理Ilayda Gunes的说法，它存在一些显著的局限性。
“mRSS通过捏皮测试测量真皮厚度，需要长时间间隔才能检测到有意义的变化，并且可能受到肥胖和水肿等因素的影响。”Gunes说，“我们在这项研究中的目标不是取代mRSS，而是找到互补的方法，这些方法是定量和可重复的，并且有可能缩短通常持续一年的临床试验的时间。”
在研究中，研究人员使用深度神经网络分析了系统性硬化症患者的皮肤活检样本，并为每个样本生成了一个“纤维化评分”。该团队是第一个将AI应用于系统性硬化症皮肤活检的团队。
研究旨在评估深度神经网络得出的纤维化评分与mRSS在系统性硬化症临床试验中的比较，并确定DNN检测和量化的组织学特征。研究人员发现，DNN纤维化评分与传统的mRSS之间只有弱相关性，每种测量方法都与不同的组织学特征变化相关。
“mRSS和纤维化评分之间的低相关性表明，AI可能捕捉到了临床医生通过简单的捏皮测试无法检测到的皮肤特征。”Gunes说。
由于mRSS和纤维化评分在组织学分析中似乎测量的是不同的病理特征，因此结合这两种方法可能比单独使用任何一种方法更好，她补充道。
研究人员希望他们的发现能够简化临床试验，加速全球招募，并提高参与者多样性，最终增强系统性硬化症试验结果的普遍适用性。
Hinchcliff相信AI将继续推进早期诊断。“AI方法正在迅速发展，我们正在尝试新的方法，这些方法可能有助于测量系统性硬化症皮肤疾病的三个组成部分：炎症、血管异常和纤维化。”她说。
“希望AI模型可以训练成使用皮肤活检或胸部计算机断层扫描来检测早期临床疾病，以便开始治疗以防止器官损伤。”
(全文结束)
