鐘雪萍, 夏文芳

華中科技大學(xué)同濟(jì)醫(yī)學(xué)院附屬協(xié)和醫(yī)院內(nèi)分泌科,武漢 430022

人工智能(artificial intelligence,AI)是計(jì)算機(jī)科學(xué)的一個分支,其概念于1955年被首次提出[1]。AI是研究使用計(jì)算機(jī)來模擬人的某些思維過程和智能行為的學(xué)科,使計(jì)算機(jī)能實(shí)現(xiàn)更高層次的應(yīng)用,最大程度地實(shí)現(xiàn)最佳決策。在醫(yī)學(xué)領(lǐng)域,AI模擬人類的生產(chǎn)活動,很大程度上解放了操作人員的手工操作,其優(yōu)勢還包括覆蓋面廣、成本低、效率高、多樣性及易于攜帶,因此產(chǎn)生了巨大效益。

糖尿病是一種以高血糖為主要特征的代謝性疾病,由胰島素絕對或相對分泌不足和(或)胰島素利用障礙引起,是內(nèi)分泌系統(tǒng)的常見疾病,主要被分為2種類型:1型糖尿病和2型糖尿病。近年來,研究證實(shí),AI對糖尿病的相關(guān)研究日趨廣泛,并以其特有的準(zhǔn)確性和可重復(fù)性而應(yīng)用于臨床診療,對DM診療的影響日益加深。

AI在糖尿病領(lǐng)域與其他領(lǐng)域的應(yīng)用形式分為虛擬形式和實(shí)體形式,其虛擬形式以機(jī)器學(xué)習(xí)(machine learning,ML)為代表。ML是AI的核心,可通過經(jīng)驗(yàn)自動改進(jìn)計(jì)算機(jī)算法,是使計(jì)算機(jī)具有智能的根本途徑,目前包括支持向量機(jī)(support vector machine,SVM)、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)等。深度學(xué)習(xí)(deep learning,DL)則是ML領(lǐng)域中一個新的研究方向,其概念源于ANN的研究,如卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN),它通過組合低層特征形成更加抽象的高層表示屬性類別或特征,以表現(xiàn)數(shù)據(jù)的分布式特征[2]。

AI在DM中的應(yīng)用在內(nèi)分泌代謝領(lǐng)域中發(fā)展較為迅速,在包括對DM的篩查、早期診斷、風(fēng)險預(yù)測、診斷分型、并發(fā)癥及治療等方面,均展現(xiàn)了AI的良好性能,可作為臨床強(qiáng)有力的輔助工具,但其臨床適用性仍需要進(jìn)一步研究。

1 AI用于DM的診斷及風(fēng)險預(yù)測

DM的高患病率與低診斷率之間的矛盾一直是困擾糖尿病全球控制的現(xiàn)實(shí)問題,國際糖尿病聯(lián)盟(international diabetes federation,IDF)最新數(shù)據(jù)顯示DM的診斷率仍低,幾乎每2個成年人糖尿病中就有1個未被診斷,因此有必要開發(fā)對DM的篩查和早期診斷更簡便、準(zhǔn)確的方法。由于人工智能能夠快速將大量數(shù)據(jù)解釋和處理成簡單的可操作路徑,由此可見,AI在改善DM患者的篩查、早期診斷等方面具有巨大的潛力。

1.1 AI可用于DM篩查和DM風(fēng)險預(yù)測

AI可對DM高危人群及DM進(jìn)行篩查,并為早期診斷提供信息。在既往研究中,對DM進(jìn)行篩查的方法主要為Logistic回歸分析和Cox回歸模型[3-4]。Choi等[5]通過開發(fā)并驗(yàn)證ANN和SVM兩個模型對韓國人群DM前期進(jìn)行篩查。該研究將模型性能與Lee等[6]基于Logistic回歸分析的DM前期篩查評分模型的性能進(jìn)行比較,結(jié)果顯示,SVM模型在外部數(shù)據(jù)集的AUC優(yōu)于其他兩個模型,提示該模型可能是更有效的DM前期篩查模型,有助于DM前期和DM患者的早期診斷。國內(nèi)學(xué)者通過舌診分析系統(tǒng)(tongue diagnosis analysis system,TDAS)提取舌體的顏色和紋理特征,應(yīng)用DL框架提取高級舌象特征,最終建立無創(chuàng)DM風(fēng)險預(yù)測模型,該模型的平均AUROC為0.924,提示該模型可檢測到絕大多數(shù)DM前期患者,有可能實(shí)現(xiàn)對DM前期患者和DM患者的非侵入性檢測,從而有助于DM前期患者和DM患者的有效早期診斷[7]。由此可見,AI可通過數(shù)據(jù)分析建立模型對DM進(jìn)行篩查和早期診斷,從而減輕DM對公共衛(wèi)生的負(fù)擔(dān),并減少仍未確診的人數(shù)。

AI對于DM風(fēng)險預(yù)測方面的研究尚處于初期階段,目前研究顯示,AI對于DM風(fēng)險預(yù)測有一定的優(yōu)勢。Lama等[8]通過對8000多名糖耐量正?；駾M前期患者進(jìn)行前瞻性研究,建立ML模型預(yù)測DM個體的患病風(fēng)險。該研究結(jié)果顯示,DM患病風(fēng)險與體重指數(shù)(body mass index,BMI)、腰臀比、血壓及DM家族史呈正相關(guān)。ML模型可被用來生成可理解的個人臨床有效性風(fēng)險概況,有利于幫助DM高危人群制定更加個性化的衛(wèi)生保健計(jì)劃。我國學(xué)者采用以SVM為AI算法,通過數(shù)學(xué)模型粒子群優(yōu)化算法對其參數(shù)進(jìn)行優(yōu)化,建立以16項(xiàng)指標(biāo)數(shù)據(jù)作為輸入變量及3種糖尿病并發(fā)癥類型(通過對2000份糖尿病患者數(shù)據(jù)進(jìn)行分析和篩選得出)作為輸出變量的糖尿病并發(fā)癥診斷預(yù)測模型,最終得到的測試集分類準(zhǔn)確率為84%,提示該模型可為具有糖尿病并發(fā)癥風(fēng)險患者的臨床診斷提供良好的輔助作用[9]。

國內(nèi)研究顯示,AI同樣能夠?qū)τ谔悄虿?shí)現(xiàn)有效預(yù)測,但其中涉及的AI算法不盡相同。2020年,章權(quán)等[10]基于Stacking的糖尿病預(yù)測方法提出,相比于單獨(dú)分別使用SVM、ANN、隨機(jī)森林3種ML方法,融合模型在準(zhǔn)確率和召回率上得到了較大提升,在驗(yàn)證集上的準(zhǔn)確率達(dá)到了92.2%,而且整個預(yù)測模型也表現(xiàn)出較強(qiáng)的泛化能力。2021年,我國學(xué)者采用ML算法如邏輯回歸、決策樹等建立模型網(wǎng)絡(luò)對糖尿病進(jìn)行預(yù)測,通過選取15000條記錄作為數(shù)據(jù)集進(jìn)行訓(xùn)練和測試,結(jié)果顯示使用決策樹的臨床預(yù)測整體準(zhǔn)確率達(dá)95.4%,能夠?qū)μ悄虿∵M(jìn)行有效預(yù)測,在臨床應(yīng)用中具有較高的應(yīng)用價值和推廣意義[11]。

1.2 AI可用于DM診斷及分型

目前,由于2型糖尿病(type 2 diabetes mellitus,T2DM)的病因具有高度異質(zhì)性,因此尚無法滿足臨床上對精準(zhǔn)醫(yī)療的需求。Ahlqvist等[12]根據(jù)谷氨酸脫羧酶抗體、診斷年齡、BMI、糖化血紅蛋白(hemoglobin A1C,HbA1c)、穩(wěn)態(tài)模型評估2估計(jì)β細(xì)胞功能(homoeostasis model assessment 2 estimates of β-cell function,HOMA2-β)、穩(wěn)態(tài)模型評估2胰島素抵抗的評估(homoeostasis model assessment 2 estimates of insulin resistance,HOMA2-IR)這6個變量對來自瑞典的新診斷DM患者隊(duì)列進(jìn)行聚類分析發(fā)現(xiàn),可將患者分為患者特征和DM并發(fā)癥風(fēng)險顯著不同的5類,即重度自身免疫性糖尿病(severe autoimmune diabetes,SAID)、重度胰島素缺乏型糖尿病(severe insulin-deficient diabetes,SIDD)、重度胰島素抵抗型糖尿病(insulin resistant diabetes,SIRD)、輕度肥胖相關(guān)糖尿病(mild obesity-related diabetes,MOD)、輕度年齡相關(guān)性糖尿病(mild age-related diabetes,MARD),這種新的成年性DM患者聚類優(yōu)于經(jīng)典的DM分類,可能有助于對受益最大的患者進(jìn)行個性化的早期治療。隨后,國內(nèi)學(xué)者對該分類方法進(jìn)行驗(yàn)證,結(jié)果證實(shí)了Ahlqvist等提出的新的糖尿病亞群,表明以歐洲為導(dǎo)向的糖尿病分類在不同種族和人群中可能具有普遍性,各亞型的主要臨床特征在中國及美國人群以及不同種族的人群中表現(xiàn)基本一致[13],這代表著T2DM分類邁向精準(zhǔn)醫(yī)療的重要一步。

近年,基于Ahlqvist等人的研究,研究者們將納入不盡相同的變量對T2DM患者進(jìn)行聚類分析,確定糖尿病亞組、并發(fā)癥風(fēng)險和臨床結(jié)果。2020年,Anjana等[14]選擇印度19084名第一次就診時糖尿病病程小于5年的T2DM患者進(jìn)行k均值聚類分析,研究納入了不同變量,最終確定了4組患者,表型特征和疾病結(jié)局不同:第1組為SIDD,第2組為胰島素抵抗性肥胖糖尿病,第3組為合并胰島素抵抗和缺乏糖尿病,第4組為MARD。與歐洲亞組相比,該研究發(fā)現(xiàn)了2個新的聚類,對預(yù)后和治療具有重要意義。2021年,為確定在中國人群中是否存在不同的歐洲分類的T2DM患者亞組,并進(jìn)一步建立更適合中國人群的新亞組,我國學(xué)者采用兩步聚類分析中國代謝性疾病國家臨床研究中心糖尿病中心的5414例T2DM患者,研究變量參考Ahlqvist等人研究中的6個變量,并納入三酰甘油和尿酸檢測結(jié)果。研究結(jié)果顯示,與歐洲亞組相比,該研究成功復(fù)制了3個亞組(SAID、SIDD、MARD),未觀察到SIRD和MOD。當(dāng)將其他變量添加到聚類分析時,確定了7個亞組,包括5個歐洲亞組和2個新的亞組,即尿酸相關(guān)糖尿病和遺傳相關(guān)糖尿病。此外,SIRD患者發(fā)生糖尿病周圍神經(jīng)病變、高血壓和慢性腎臟疾病的風(fēng)險高于遺傳相關(guān)性糖尿病患者,尿酸相關(guān)性糖尿病亞組發(fā)生冠心病、腦血管病和終末期腎臟疾病的風(fēng)險高于遺傳相關(guān)性糖尿病患者,SIDD患者發(fā)生糖尿病視網(wǎng)膜病變和糖尿病足的風(fēng)險高于遺傳相關(guān)性糖尿病患者,這種基于病因的分組可能有助于T2DM患者的診斷和治療[15]。

綜上,基于歐洲分組,由于納入種群及變量選擇的不同,對于T2DM亞組分型可衍生出不同的亞組,目前仍需更多前瞻性研究以評估其適用性,有助于T2DM患者的精準(zhǔn)治療和并發(fā)癥的預(yù)防。

2 AI用于DM并發(fā)癥風(fēng)險篩查和預(yù)測

AI可對DM并發(fā)癥進(jìn)行篩查和預(yù)測,為DM患者和臨床醫(yī)生提供DM相關(guān)并發(fā)癥的早期個性化指導(dǎo)。

2.1 AI與糖尿病視網(wǎng)膜病變

目前,AI在DM并發(fā)癥中應(yīng)用發(fā)展最為迅速的是在糖尿病視網(wǎng)膜病變(diabetic retinopathy,DR)篩查中。2017年,Ting等[16]進(jìn)行了基于多民族DM人群視網(wǎng)膜圖像的DR及相關(guān)眼病DL系統(tǒng)的開發(fā)與驗(yàn)證研究,揭示了自動DL系統(tǒng)對來自多民族DM患者隊(duì)列的圖像進(jìn)行DR分級方面的潛在價值,同時證實(shí)了自動DL系統(tǒng)在識別DR方面顯示出高度的靈敏度和特異度[17]。隨后,研究人員在我國DM人群對DL算法的操作性和可行性進(jìn)行了驗(yàn)證,結(jié)果顯示DL系統(tǒng)具有與專家小組相當(dāng)?shù)撵`敏度和特異度,且隨著檢測到的DR患病率增高,DL系統(tǒng)能夠在全國范圍內(nèi)的DM中心進(jìn)行有效的DR篩查,為這個問題提供了一個可行的解決方案[18]。因此,鑒于人工智能技術(shù)的快速發(fā)展和令人印象深刻的進(jìn)步,在常規(guī)的DR中實(shí)施DL可能是一種經(jīng)濟(jì)高效的替代方案,有助于降低世界各地可預(yù)防性失明的發(fā)生率。另一方面,AI對DR篩查、風(fēng)險分層、管理和預(yù)后方面具有顯著的益處,并且可能會改善DR篩查的可及性并減輕經(jīng)濟(jì)負(fù)擔(dān),同時保持同等或更強(qiáng)的臨床有效性。

國內(nèi)對于AI與DR的研究同樣顯示出AI的優(yōu)越性和時新性。2019年,我國學(xué)者高韶暉等[19]聯(lián)合國內(nèi)8家醫(yī)院眼底專業(yè)醫(yī)師對25297張?zhí)悄虿』颊哐鄣讏D像病變進(jìn)行標(biāo)記,訓(xùn)練和建立一個DL框架同時識別DR病變的AI機(jī)器人輔助診斷系統(tǒng),即“嵩岳”機(jī)器人系統(tǒng),以建立一個基于病變識別技術(shù)的DR篩選系統(tǒng)。研究結(jié)果顯示“嵩岳”系統(tǒng)對是否罹患DR模型的敏感度為96.0%,特異度為87.9%。對識別其他類型的的DR同樣顯示出良好的診斷性能,提示AI機(jī)器人輔助診斷輔助系統(tǒng)具有精確高效的DR診斷性能。

至今,國內(nèi)研究者對于AI與DR的相關(guān)研究已日漸成熟。曹琦雯等[20]利用AI開放平臺EasyDL獨(dú)立開發(fā)DR的AI輔助診斷,該研究使用Kaggle公開的糖尿病眼底疾病數(shù)據(jù)集的35126張眼底照片作為訓(xùn)練集。研究結(jié)果證明,AI診斷模型靈敏度高但特異度低,各項(xiàng)診斷指標(biāo)和中級醫(yī)師診斷接近,比初級醫(yī)師診斷優(yōu)秀;當(dāng)AI診斷模型和臨床醫(yī)師診斷相結(jié)合時,診斷的準(zhǔn)確率和靈敏度均有所提高。李貞等[21]收集了T2DM患者1358例2707眼的眼底彩照,采用Eye Wisdom AI眼病對社區(qū)DR進(jìn)行診斷和分期,并與人工分析結(jié)果進(jìn)行一致性比較。該研究證實(shí)AI與人工分析的一致性良好,可滿足DR篩查的需求,且AI可以解決DR最關(guān)鍵的早期診斷資源不足的問題,并使得利用互聯(lián)網(wǎng)將診斷技術(shù)下沉到基層醫(yī)院、社區(qū)和貧困地區(qū)成為可能。

2.2 AI與糖尿病周圍神經(jīng)病變

AI可協(xié)助糖尿病周圍神經(jīng)病變的診斷和預(yù)測。Rahmani等[22]開發(fā)了一個基于模糊邏輯的專家系統(tǒng),并將其應(yīng)用于244例被診斷為糖尿病神經(jīng)病變的患者病歷中,他們發(fā)現(xiàn),該系統(tǒng)可以智能地判斷糖尿病神經(jīng)病變的嚴(yán)重程度。與此相似,Yap等[23]開發(fā)了一種名為“Foot Snap”的移動應(yīng)用程序,該應(yīng)用程序?qū)⑻悄虿∽愕恼掌瑯?biāo)準(zhǔn)化,不同術(shù)者在兩個不同的場合對30只糖尿病足和30只非糖尿病對照足的足底表面進(jìn)行成像,用Jaccard相似性指數(shù)(JSI)判斷足部圖像的重復(fù)性。結(jié)果顯示糖尿病足的JSI值為0.89～0.91,對照足的JSI值為0.93～0.94,具有較高的可靠性,提示該應(yīng)用程序適用于糖尿病足的縱向隨訪,具有監(jiān)測病變的潛力。由此可見,AI對于糖尿病周圍神經(jīng)病變具有一定的監(jiān)測及診斷能力,有可能為糖尿病并發(fā)癥患者未來的治療提供信息。

2.3 AI與血管相關(guān)并發(fā)癥

AI在表現(xiàn)出對DM并發(fā)癥具有良好的篩選性能的同時,對血管相關(guān)并發(fā)癥的風(fēng)險預(yù)測也具有潛在的價值。Fan等[24]提出了一種隨機(jī)森林模型預(yù)測T2DM患者發(fā)展為冠心病的風(fēng)險,經(jīng)驗(yàn)證后發(fā)現(xiàn),該模型在為T2DM患者和臨床醫(yī)生提供冠心病風(fēng)險的早期個性化預(yù)警指導(dǎo)方面具有潛在的價值?；?4059名DM患者的電子病歷,Makino等[25]利用ML處理自然語言和縱向數(shù)據(jù),構(gòu)建了具有3073個特征的糖尿病腎病(diabetic kidney diseases,DKD)預(yù)測模型,結(jié)果顯示AI對DKD病情的預(yù)測準(zhǔn)確率為71%。同時,10年以上DKD加重組的血液透析發(fā)生率明顯高于非加重組?？梢?新的AI預(yù)測模型可以檢測DKD的進(jìn)展,可能有助于更有效、更準(zhǔn)確地減少未來血液透析。

2.4 AI與糖尿病性骨質(zhì)疏松癥

對于糖尿病性骨質(zhì)疏松癥(diabetic osteoporosis,DO),AI在診斷和療效監(jiān)測方面均可以發(fā)揮良好作用。至今,DO的發(fā)病機(jī)制仍不清楚,另一方面,雙能X線骨密度儀(dual energy x-ray absorptiometry,DEXA)作為診斷OP的金標(biāo)準(zhǔn)也存在一定的缺點(diǎn)。由于T2DM患者骨質(zhì)疏松性骨折風(fēng)險較高,因此,AI對診斷OP的簡易性、準(zhǔn)確性使其成為研究熱點(diǎn),對臨床診斷骨質(zhì)疏松癥(osteoporosis,OP)發(fā)揮重大作用。Wang等[26]通過招募289名中國T2DM患者,結(jié)合患者的性別、年齡等因素,建立了一個高效、簡單的SVM模型(該模型的診斷準(zhǔn)確率為88%),可對DO進(jìn)行分類,提示AI在DO的臨床診斷中具有潛在的應(yīng)用前景,同時,這種方法廉價、安全、可擴(kuò)展,對DO的早期發(fā)現(xiàn)和日常監(jiān)測均具有較好的效果。2020年,Jain等[27]采用AI技術(shù)結(jié)合糖尿病患者機(jī)會性腹部CT圖像信息,與DEXA診斷結(jié)果進(jìn)行一致性比較,對其進(jìn)行診斷價值評估。結(jié)果顯示CT圖像中L1衰減值≤160 Hu對骨質(zhì)疏松診斷的靈敏度為91%,而≤110 Hu的特異度為80%,證明AI技術(shù)結(jié)合影像信息有助于幫助糖尿病患者的骨質(zhì)疏松篩查。

綜上,AI技術(shù)的發(fā)展有助于開發(fā)支持患者治療的臨床決策工具,為DM患者的精準(zhǔn)醫(yī)療提供指導(dǎo)。

3 AI在DM治療方面的應(yīng)用

AI在DM治療方面的應(yīng)用主要包括對DM患者生活方式、整體管理及胰島素治療等方面。更有我國學(xué)者設(shè)計(jì)了功能完善、使用方便的多模態(tài)智能對話機(jī)器人糖尿病健康管理服務(wù)平臺,通過深度學(xué)習(xí)+對話機(jī)器人+大數(shù)據(jù)+物聯(lián)網(wǎng)技術(shù)與病程管理的結(jié)合,個性化地對患者藥物、飲食、運(yùn)動、胰島素使用、并發(fā)癥的預(yù)防、應(yīng)急情況的處理等進(jìn)行指導(dǎo),糾正患者不良習(xí)慣、改變重“醫(yī)”輕“防”的觀念,建立了糖尿病防治新模式[28]。

3.1 AI可用于指導(dǎo)患者的生活方式

AI可用于指導(dǎo)DM患者的生活方式,有助于患者的自我管理。Oka等[29]使用DL和遠(yuǎn)程通信技術(shù)分析患者用餐的照片,從而自動評估營養(yǎng)攝入量。為期12個月的隨機(jī)對照試驗(yàn)結(jié)果顯示,HbA1c水平的平均變異為0.3%。這表明,通過自動化人工智能支持進(jìn)行營養(yǎng)干預(yù)產(chǎn)生的結(jié)果類似于從人類營養(yǎng)師那里獲得的面對面營養(yǎng)干預(yù)支持。因此,這些方法可以大大減輕人類專家的工作負(fù)擔(dān),同時提高DM患者飲食指導(dǎo)的有效性。此外,Zeevi等[30]設(shè)計(jì)了一種ML算法,該算法整合了800人隊(duì)列中測量的血液參數(shù)、飲食習(xí)慣、人體測量學(xué)、身體活動和腸道微生物群,驗(yàn)證了該算法能夠準(zhǔn)確地預(yù)測現(xiàn)實(shí)生活中膳食的個性化及餐后血糖反應(yīng),提示調(diào)整患者的生活方式可有助于幫助患者控制血糖,實(shí)現(xiàn)有效的糖尿病自我管理。

3.2 AI可用于DM患者的胰島素及口服藥物治療

對于DM患者的胰島素治療,AI可向患者提供關(guān)于治療調(diào)整的個性化建議。一項(xiàng)多中心隨機(jī)對照研究使用d-Nav胰島素指導(dǎo)系統(tǒng)監(jiān)測和預(yù)測血糖水平,以便自動向患者提供下一次胰島素劑量的適當(dāng)建議。結(jié)果表明,干預(yù)組的HbA1c從基線水平到6個月平均下降1.0%,與對照組比較差異有統(tǒng)計(jì)學(xué)意義。這些實(shí)驗(yàn)結(jié)果表明,d-Nav胰島素引導(dǎo)系統(tǒng)有可能用于穩(wěn)定血糖控制和優(yōu)化T2DM患者的胰島素管理[31]。而采用AI算法結(jié)合胰島素泵治療的連續(xù)血糖監(jiān)測(continuous glucose monitoring,CGM)可通過葡萄糖感應(yīng)器監(jiān)測組織間隙的葡萄糖濃度,了解血糖波動趨勢,發(fā)現(xiàn)不易被傳統(tǒng)監(jiān)測方法探測到的隱匿性高血糖和低血糖[32],可以幫助患者更好地了解自己的血糖波動。與傳統(tǒng)監(jiān)測方法相比,CGM提供了血糖的全圖,能夠更好地檢測隱蔽性低血糖,是觀察血糖波動、提高自我管理能力的絕佳手段[33],為臨床診療提供了較好的思路,但其準(zhǔn)確性及數(shù)據(jù)延遲性仍是需要克服的問題。

T1DM患者由于免疫介導(dǎo)的胰腺β細(xì)胞破壞導(dǎo)致胰島素分泌不足,需終生依賴外源性胰島素。盡管有強(qiáng)化的胰島素治療(包括每天多次注射胰島素或胰島素泵治療和頻繁測量血糖),但為避免低血糖的發(fā)生無法實(shí)現(xiàn)充分的血糖控制。由于糖尿病自我管理的負(fù)擔(dān)仍然很高,對持續(xù)監(jiān)測血糖濃度并自動調(diào)節(jié)胰島素輸送速率的設(shè)備(即所謂的“人工胰腺”)的需求越來越大。近年來,CGM準(zhǔn)確性和可靠性的提高使自動化輸送系統(tǒng)在臨床實(shí)踐中逐步得到發(fā)展和采用。人工胰腺利用CGM的信息,控制算法增加或減少胰島素輸送,實(shí)時自動調(diào)整胰島素泵達(dá)到目標(biāo)葡萄糖濃度。人工胰腺可分為單激素系統(tǒng)(僅提供胰島素)和雙激素系統(tǒng)(提供胰島素和胰高血糖素),近年來,隨著人工胰腺的開發(fā),研究的挑戰(zhàn)轉(zhuǎn)為傳感非葡萄糖信息,更多的研究將CGM與多種可穿戴身體活動和生理參數(shù)相結(jié)合,針對眼淚、汗液、唾液和尿液中葡萄糖的少創(chuàng)或非侵入性監(jiān)測傳感器的開發(fā)同樣引起了研究者們極大的興趣,盡管它們的臨床相關(guān)性仍然存在爭議[34]。

2010年,El-Khatib等[35]開發(fā)了一種利用胰島素和胰高血糖素進(jìn)行調(diào)控的閉環(huán)控制系統(tǒng),該研究表明了雙激素人工胰腺是實(shí)現(xiàn)T1DM患者血糖濃度接近正常的可行方法,此后關(guān)于人工胰腺的開發(fā)取得較大進(jìn)展。2014年,Nimri等[36]評估了MD-Logic系統(tǒng)(單激素系統(tǒng))在家庭環(huán)境中對24名T1DM患者(年齡在12～43歲之間)夜間血糖控制的可行性。與對照組相比,夜間閉環(huán)控制減少了低血糖的時間,增加了在目標(biāo)血糖范圍內(nèi)的時間,這證明了在現(xiàn)實(shí)環(huán)境中使用閉環(huán)胰島素輸送的可行性。在人工胰腺的多項(xiàng)研究中,與對照組相比,閉環(huán)系統(tǒng)在目標(biāo)范圍內(nèi)的時間比例更高,減少了血糖低于3.9 mmol/L和高于10 mmol/L的時間比例,并降低了患者的HbA1c水平[37]。2016年,首個商業(yè)化的商用混合單激素閉環(huán)系統(tǒng)(Mini Med 670 G胰島素泵系統(tǒng))被批準(zhǔn)用于治療14歲及以上的T1DM患者[38],同樣獲得商業(yè)批準(zhǔn)的Medtronic Mini Med 780G、Tandem Control-IQ等閉環(huán)混合系統(tǒng)均有數(shù)據(jù)表明了上述療效。

雙激素閉環(huán)系統(tǒng)與胰島素泵療法相比,在11 d內(nèi)使用不計(jì)碳水化合物的可選膳食增加了目標(biāo)血糖范圍的時間,降低了低血糖發(fā)生率[39]。與單激素閉環(huán)系統(tǒng)相比,胰高血糖素的使用與目標(biāo)血糖范圍的時間比例增加和低血糖的時間比例減少有關(guān)[37]。由于缺乏商業(yè)化的可穩(wěn)定使用的胰島素及臨床研究的進(jìn)展有限等原因,目前尚無商業(yè)化的雙激素閉環(huán)系統(tǒng)。由此衍生出另一種雙激素閉環(huán)系統(tǒng)替代療法即胰島素聯(lián)合胰淀粉酶類似物(普蘭林肽)和三激素閉環(huán)系統(tǒng)(胰島素-普蘭林肽-胰高血糖素),這兩種閉環(huán)系統(tǒng)的研究目前僅取得初期成果,需進(jìn)行更大規(guī)模的研究和臨床實(shí)踐[40]。

與傳統(tǒng)的胰島素泵治療相比,目前的人工胰腺裝置能夠改善血糖水平,同時人工胰腺的使用經(jīng)常與臨床顯著的低血糖和高血糖發(fā)作相關(guān)。此外,閉環(huán)控制系統(tǒng)在臨床使用時涉及患者的隱私保密性和安全性、醫(yī)療保險的覆蓋、患者的選擇性、系統(tǒng)性的管理技巧等挑戰(zhàn),有可能限制其臨床應(yīng)用[41]。實(shí)現(xiàn)血糖的完全自動化控制,以達(dá)到接近正常的血糖水平和低血糖變異性,從而降低長期糖尿病并發(fā)癥的風(fēng)險仍是目前人工胰腺技術(shù)研究的最終目標(biāo)。

相對于AI在胰島素閉環(huán)控制系統(tǒng)較為成熟的應(yīng)用,輔助口服糖尿病藥物策略制定的研究還相對滯后。目前AI在糖尿病藥物策略制定中的應(yīng)用仍屬于起步階段,需要專家知識庫的積累、醫(yī)療與智能技術(shù)深度合作,完善后期的臨床實(shí)踐檢驗(yàn)等。此外,AI技術(shù)與患者健康數(shù)據(jù)共同驅(qū)動的決策支持系統(tǒng)能夠根據(jù)患者的日常自我管理過程中產(chǎn)生的數(shù)據(jù)監(jiān)督患者服藥行為,以及時、有效地提升患者的依從性。

3.3 AI有可能用于診斷糖尿病認(rèn)知障礙

T2DM與認(rèn)知功能減退加速有關(guān),甚至發(fā)展至癡呆,可涉及患者的記憶力、執(zhí)行功能、語言和視覺空間的下降等,隨著糖尿病病程的延長及血糖控制不佳,患者的認(rèn)知障礙程度會逐漸加重。導(dǎo)致T2DM認(rèn)知障礙(T2DM with cognitive impairment,T2DM-CI)的因素包括胰島素失調(diào)、低血糖、炎性細(xì)胞因子水平升高、長期高血糖狀態(tài)等,但患者大腦功能改變尚不明確[42],為臨床識別和診斷T2DM-CI帶來一定難度。目前,診斷主要依靠神經(jīng)心理學(xué)評分,如MoCA和MMSE量表。由于臨床評分結(jié)果很大程度上受操作者的主觀影響,很難得到客觀、定量的結(jié)果。隨著機(jī)器學(xué)習(xí)技術(shù)的快速發(fā)展,基于神經(jīng)成像的計(jì)算機(jī)輔助診斷方法應(yīng)運(yùn)而生。研究證實(shí),靜息狀態(tài)功能性MRI成像(resting-state functional MRI,rs-fMRI)和靜息狀態(tài)EEG(resting-state EEG,rsEEG)被用來研究T2DM相關(guān)大腦的變化,可用于T2DM-CI的輔助診斷。

我國學(xué)者[43]開發(fā)了一種基于ML的算法來幫助檢測T2DM患者是否患有輕度認(rèn)知障礙(mild cognitive impairment,MCI),該研究將164名受試者根據(jù)神經(jīng)心理學(xué)評分分為T2DM-MCI、T2DM-非MCI和正常對照組,基于選取的rs-fMRI特征訓(xùn)練分類器模型。結(jié)果表明,與經(jīng)典方法相比,該算法具有更好的性能(T2DM-MCI與正常對照組的分類準(zhǔn)確率為73.18%),為T2DM-MCI的臨床診斷提供了一個機(jī)器學(xué)習(xí)模型。誠然,相較于AI在糖尿病其他方面的應(yīng)用進(jìn)展,目前AI對于診斷糖尿病認(rèn)知障礙的貢獻(xiàn)有限,但也為臨床診斷糖尿病認(rèn)知障礙提供了一個新的思路,還需要更多、更大規(guī)模的研究探索其有效性和實(shí)用性。

3.4 AI機(jī)器人有望用于DR的手術(shù)治療

2016年,Edwards等[44]完成了首次眼科AI機(jī)器人輔助視網(wǎng)膜手術(shù)試驗(yàn),以驗(yàn)證機(jī)器人輔助手術(shù)的安全性和精確性。該試驗(yàn)招募了12位患者,并隨機(jī)均分為機(jī)器人輔助手術(shù)組和傳統(tǒng)手術(shù)組,在試驗(yàn)的第一階段,兩組無統(tǒng)計(jì)學(xué)差異;在第二階段,試驗(yàn)組患者的視力經(jīng)機(jī)器人治療后得到顯著改善。機(jī)器人輔助眼科手術(shù)有著超越人類能力的精度、準(zhǔn)確性和穩(wěn)定性。該試驗(yàn)的成功意味著AI醫(yī)學(xué)應(yīng)用使眼部手術(shù)有了一個巨大飛躍,直至目前仍在深入研究中,因此有望用于DR患者的手術(shù)治療。

4 AI的應(yīng)用前景與挑戰(zhàn)

AI技術(shù)的快速發(fā)展對醫(yī)學(xué)領(lǐng)域產(chǎn)生了重大影響,但仍不可避免地面臨著一些挑戰(zhàn)和爭議。AI可提高臨床醫(yī)生的診斷準(zhǔn)確性和減少誤差,提高對患者的數(shù)據(jù)管理效率并提供個性化治療,一定程度上解放了人工操作,有利于解決疑難問題,從而進(jìn)一步簡化醫(yī)療體系的工作流程,減少醫(yī)用經(jīng)濟(jì)成本等。同時,AI技術(shù)的出現(xiàn)面臨著挑戰(zhàn)和爭議。首先,AI模型的開發(fā)基于醫(yī)學(xué)數(shù)據(jù)庫,其質(zhì)量和可靠性存在不確定性,建設(shè)醫(yī)學(xué)大數(shù)據(jù)標(biāo)準(zhǔn)化體系和保證智能醫(yī)學(xué)產(chǎn)品可靠是實(shí)現(xiàn)AI應(yīng)用于臨床的必要前提。其次,AI難以覆蓋訓(xùn)練集外的單個病例,由此可能得出錯誤的導(dǎo)向。最后,AI的應(yīng)用不可避免地涉及患者的隱私,在保障隱私的同時達(dá)到醫(yī)療目的是目前AI面臨的挑戰(zhàn)之一?？偠灾?AI作為一門新興技術(shù)在發(fā)揮自身優(yōu)勢的同時,其臨床適用性和可行性仍需進(jìn)一步研究和探討。

綜上所述,AI在DM方面已經(jīng)取得相對成熟的發(fā)展,可協(xié)助對DM患者進(jìn)行整體管理。一方面,AI可應(yīng)用于DM治療中出現(xiàn)的各種問題,包括臨床診斷、監(jiān)測、制定治療計(jì)劃和設(shè)計(jì)藥物等。另一方面,AI的發(fā)展對DM患者治療具有的獨(dú)特優(yōu)勢,具體可概括為個性化、精準(zhǔn)性、普遍性、參與性、保護(hù)性及防患于未然。同時,AI的發(fā)展仍面臨一些爭議和挑戰(zhàn)。目前,AI的發(fā)展迅速,需要更多的研究探討其可行性?？傊?AI在DM領(lǐng)域發(fā)揮著重要作用,前景可期。