牛津研究人员的AI框架可能通过识别REM睡眠障碍来预测帕金森病

帕金森氏病是一种影响全世界超过1000万人的神经退行性疾病，传统上通过发现缓慢运动，休息震颤（即四肢晃动）和肌肉僵硬来临床诊断。但早期发现它并不容易 - 没有针对帕金森氏症的具体，客观的诊断测试。

令人鼓舞的是，牛津大学的科学家在开发一个框架方面取得了进展，他们声称这个框架可以自动检测帕金森症的早期预测因素：快速眼动（REM）睡眠行为障碍（RBD）。他们在预印本服务器Arxiv.org上发表的一篇新论文（“ 通过自动多导睡眠图分析检测REM睡眠行为障碍 ”）中对此进行了描述。

研究人员写道：“有明显的证据表明，RBD是帕金森病，路易体病和多系统萎缩的前兆，多年来一直存在。” “因此，准确的RBD诊断将为这些神经退行性疾病的发展提供宝贵的早期检测和见解......在本研究中，我们提出了一种用于RBD检测的全自动管道。”

他们指出，RBD的一些自动评分算法已经存在，它们考虑了多导睡眠图和无睡眠的REM睡眠证据 - 这是国际睡眠障碍分类标准化的RBD诊断的两个要求。但其中很多都不是为老年人或患有睡眠障碍的人设计的。

这与瑞士苏黎世机器人和智能系统研究所的研究人员所采取的方法截然不同，他在10月份发表的一篇论文中详细介绍了一种人工智能系统，该系统可以通过一系列基于智能手机的测试收集数据来诊断帕金森症。

设计和测试模型

在建立数据集时，牛津科学家从蒙特利尔睡眠研究中心的53名患者中获取睡眠研究记录，这是一个基于实验室记录的开放存取数据库。所有这些都由专家注释并经过预处理以减少噪音。

为了对每个睡眠阶段进行分类，研究人员使用随机森林（RF）模型 - 一种监督学习算法，构建决策树集合并输出各个树的平均预测 - 以及从脑电图中提取的156个特征（大脑活动记录） ，睡眠研究笔记，电眼图（眼球运动记录）和肌电图（骨骼肌产生的电活动记录）。

对于RBD检测，RF分类器使用技术来训练肌肉萎缩（肌肉失去其强度的状况）和其他特征。（Atonia是RBD最重要的预测因子。）在测试中，使用手动注释睡眠分期时，准确度提高了10％至96％，并且在使用自动睡眠分期时保持较高（92％）。

该团队指出，通过更好的自动化睡眠阶段分类可以进一步改善结果 - 可能是一种涉及深度学习的技术，分层数学函数模仿大脑中神经元的行为。

他们表示，未来的工作将研究RBD检测框架如何应用于临床环境，以及非运动特征（如睡眠期间心率变异性改变）如何帮助描绘RBD。该团队还将寻求在一系列疾病中应用改进的睡眠分期算法，同时结合信号以增强RBD检测。

“该算法优于单个指标，”研究人员写道。“[该]研究验证了一种易于处理，全自动化且敏感的RBD识别管道，可以转化为可穿戴的带回家技术，”