人工智能辅助内分泌学和糖尿病的最新进展

人工智能已逐渐应用于医学的许多领域，将知识和数据与计算机科学相结合。从根本上讲，人工智能涉及计算方法，其中算法/机器模拟人类大脑认知功能的过程。除了通过人类与其他程序之间的接口应用已有知识外，这些算法还可以学习。人工智能的这一子类称为机器学习（ML），其中算法通过经验自动学习，而无需为这些任务进行明确编程。学习过程包括根据输入数据调整内部参数或模型结构，从而使系统能够通过迭代提高其性能。通过这种方式，机器可以智能地与其环境交互并不断发展以做出更准确的决策。

与其他医学领域不同，内分泌学并不与单一的器官结构相关，而是与复杂的激素和代谢物生物系统相关联。激素嵌入在局部和远端作用的错综复杂网络之中，包括各种受体、信号通路和复杂的反馈机制。因此，存在大量具有多种生理和疾病相关相互作用的细胞和激素模型。这些多层次、相互关联的系统显然超出了人类大脑的理解和推理能力。激素调节中时钟基因依赖的生物节律机制以及内分泌模块中扭曲的自主激素产生机制仍然知之甚少。预计这种显著的异质性和复杂性将非常适合用人工智能算法来解决。

一、已建立人工智能在内分泌学领域的先进应用

美国食品药品监督管理局(FDA)于2015-2016年批准基于人工智能（AI）的医疗设备用于临床。截至2023年7月，FDA 批准的基于AI的医疗设备数量已超过500种。在欧洲，医疗设备需通过分散机构进行审批，但数量与之相当。这些获批的医疗设备大多在放射学、肿瘤学、眼科学及一般决策等领域广泛应用。

糖尿病是最常见的内分泌疾病，尤其是2型糖尿病(T2D)，影响着全球近10%的人口，预计未来20年内这一数字将呈指数级增长。及早发现2型糖尿病可以有效预防其他并发症，并阻止这种疾病造成的损害。在这方面，机器学习已显示出其在预测患者是否会患上2型糖尿病以及潜在并发症风险方面的有效性。同样，可以用机器学习来评估妊娠期糖尿病的风险和干预的必要性，但需要进一步验证才能广泛使用。

糖尿病视网膜病变(DR)是糖尿病常见的大血管并发症。鉴于糖尿病大流行的加剧，早期发现可治疗的DR至关重要，以避免全球越来越多的糖尿病患者出现严重的发病率和疾病负担，包括失明。诊断技术的发展促进了视网膜疾病的筛查。

机器学习（ML）系统可有效准确地从数码照片或光学相干断层扫描中检测DR。迄今为止，已有多家公司提供新的人工智能驱动系统。因此，目前正在测试高准确度和效率的人工智能技术，以诊断和筛查早期疾病阶DR 。最近，卷积神经网络（CNN）算法甚至能够在DR远程医疗筛查程序中识别无法分级的图像。因此，对于糖尿病患者，在原发病期间拍摄的图像可以准确评估非散瞳视网膜图像的可分级性。这可能会彻底改变DR筛查程序急需的效率。EyeArt和IDx-DR等人工智能技术已获批准，广泛用于筛查DR患者。

远程医疗和数字监控可以做出重大贡献的另一个经典领域是血糖监测。尽管胰岛素泵和持续血糖监测设备的使用更加广泛，但大多数1型糖尿病患者都未能实现充分的血糖控制。最近的临床试验表明，使用基于人工智能的自动化决策支持系统优化胰岛素剂量对患有1 型糖尿病的青少年是有效的。FDA批准的用于管理糖尿病患者血糖水平的设备是DreaMed Advisor Pro (DreaMed)，它与MiniMed™ 780G系统 （Medtronic）一起使用时，可根据需求自动输送胰岛素。另一种工具Guardian™ Connect (Medtronic) 为糖尿病患者提供持续血糖监测，在移动设备上提供实时血糖水平监测和警报。全自动胰岛素输送系统和基于人工智能的血糖管理工具的结合有望减少糖尿病并发症，同时增强和简化患者的血糖控制。基于人工智能的应用也正在内分泌学的其他领域得到应用。

二、正在开发的人工智能：从彻底改变内分泌病理学到智能诊断

基于人工智能的技术已经在内分泌疾病管理的各个方面证明了其有效性，目前许多应用程序正在开发中，并在等待批准时显示出良好的结果。

例如，AI在常见肿瘤的准确诊断方面已取得成功，甚至可以区分同一器官内不同组织来源的肿瘤。同样，AI现已在甲状腺结节、淋巴结和细胞病理标本的评估方面接受测试和改进。其中一种方法是基ML的多特征整合模型，可以预测乳头状甲状腺癌的中央淋巴结转移。该CNN预测模型可为甲状腺乳头状癌的临床诊断和治疗提供参考。

有人提议利用人工智能根据组织微小RNA (miRNA) 表达来诊断肾上腺皮质腺瘤。此外，癌症干细胞标志物的表达可用于预测免疫检查点抑制剂治疗肾上腺皮质癌的有效性。此外，人工智能还可以支持临床团队进行术前和术后决策。然而，人工智能在内分泌病理学中的实际和常规应用需要进一步验证，以证明其可靠性、有效性和现实世界的实用性。

大多数内分泌疾病都有遗传背景。机器学习可以预测2型糖尿病的发展并评估受影响患者潜在并发症的风险。在内分泌疾病具有遗传基础的情况下，机器学习有助于早期发现并加快治疗。研究表明，机器学习算法可以使用基因组数据预测2型糖尿病病例，其准确率高于人类评估，并且当与其他生物标志物相结合时，准确率会进一步提高。这同样适用于人工智能在内分泌成像和激素分析中的应用。这些领域的人工智能尚处于早期阶段，才刚刚开始发掘其潜力。 尽管这些领域还处于发展的早期阶段，但人工智能在提供可行有效的早期检测、表征、管理和患者随访策略方面显示出良好的前景。

三、具有变革型潜力的未来应用：从早期生命形成到面部识别，从新型生物标志物增强到精准医疗

     推进内分泌学领域的研究和加强医疗护理对于更好地了解、诊断和治疗内分泌疾病至关重要。然而，充分利用人工智能的过程也伴随着挑战。

人工智能系统依赖于与其任务相关的大量高质量数据，因此数据可访问性和隐私问题至关重要。美国和欧洲缺乏针对基于人工智能的医疗设备的特定监管途径，这给其审批和监督带来了进一步的不确定性。此外，医疗保健领域的人工智能系统通常充当临床决策支持工具，这意味着它们的有效性取决于用户的专业知识和实施环境。

机器学习最受欢迎和最受期待的应用之一是生殖内分泌学，它有望改善辅助生殖的结果。人工智能有可能通过卵母细胞形态评估、计算机化精液分析、使用超声跟踪卵泡发生、确定子宫内膜容受性以及根据生物和化学特征优化受孕来提高生育能力。

机器学习的风险识别和一级/二级预防能力对于内分泌和代谢疾病尤其重要，因为这些疾病通常诊断较晚或长期未确诊。人工智能算法在预测骨质疏松症发生、使用心电图 (ECG) 监测筛查荷尔蒙失衡以及为内分泌学实践提供有力见解方面已显示出良好的前景。骨质疏松症管理的主要挑战之一与诊断和治疗差异有关。虽然诊断是基于双重X射线吸收仪检测到的骨矿物质密度，但大部分早期骨折发生在非整骨骨矿物质密度值时。据报道，最近开发的算法在预测和评估有关骨折检测的骨质量以及基于影像和临床数据估计骨折风险方面的专业知识与临床医生相当，在某些情况下甚至超越了临床医生。这些算法还显示出制定有效治疗计划的潜力。然而，即使拥有最好的人工智能技术，参考值不足仍然是得出临床有用结论的主要挑战。

研究人员之前曾报告称，即使是表现出强烈表型（如肢端肥大症，一种肿瘤相关症状）的内分泌患者，诊断也为时已晚（平均在出现特征性症状后8年）。使用人工智能从面部图像中实时检测肢端肥大症可以为这一困境提供一个可能的解决方案。在ImageNet数据集上训练的三种架构（即ResNet50、DenseNet121和InceptionV3）被用于创建一个CNN模型，该模型可以学会区分某些图像是“健康”还是“肢端肥大症”。在创建集成模型之后，该系统通过样本高性能地检测出肢端肥大症。

除了早期检测外，近年来，基于人工智能的技术也得到了发展，通过使用移动应用程序来改善糖尿病足溃疡的远程监控。糖尿病足溃疡是一个日益严重的问题，发病率和死亡率极高。足部诊所严重短缺，如果有的话，也只有在专门的中心才有。数字远程监控可能有助于减少患者被送往诊所的需要，因为它能及时指导必要的治疗决策。

参考资料：

Oikonomakos IT, Anjana RM, Mohan V, Steenblock C, Bornstein SR. Recent advances in artificial intelligence-assisted endocrinology and diabetes. Explor Endocr Metab Dis, 2024, 1: 16–26