英国研究人员表示,一项三分钟的测试可能在诊断痴呆风险人群方面发挥重要作用,能够比其他方法提前数年发现认知衰退的迹象。
这项名为Fastball的测试要求人们在佩戴脑电图(EEG)头戴设备的同时,记住屏幕上显示的一系列图像,并分析大脑基于先前接触区分图像的能力。
来自巴斯大学和布里斯托大学的研究团队——由巴斯大学认知神经科学家乔治·斯托哈特博士领导——进行了一项小规模临床研究,结果表明Fastball测试能够可靠识别轻度认知障碍(MCI)患者的记忆问题,而轻度认知障碍往往是阿尔茨海默病的前兆。
科学家们此前已经证明,该测试可以发现已确诊痴呆患者的记忆问题,但现在首次证明它可以在人们的家中进行,无需临床环境。
这项研究发表在《脑通讯》期刊上,并由BRACE痴呆研究机构资助,共招募了33名有记忆缺陷的人员、20名在其他认知领域有缺陷的人员,以及54名无认知缺陷的人员。
研究发现,患有遗忘性轻度认知障碍(主要影响一个人对物体的记忆)的受试者,与健康成年人和非遗忘性轻度认知障碍患者相比,对测试的反应明显减弱。
由于遗忘性轻度认知障碍患者更有可能发展为阿尔茨海默病,研究人员希望这项测试能够在新一代潜在疾病改善药物方面实现更早期的干预,如卫材/百健公司的Leqembi(来卡奈单抗)和礼来公司的Kisunla(多纳奈单抗)——这两种药物都针对该疾病的特征性淀粉样斑块。
斯托哈特表示:"目前的诊断工具错过了阿尔茨海默病的前10到20年。Fastball提供了一种改变这种状况的方法——通过快速而被动的测试,更早、更客观地检测记忆衰退。"
尽管论文作者承认在常规健康环境中使用之前还需要更多测试,但他们表示该技术有潜力实现更广泛的筛查和监测,可以扩展到全科医生诊所、记忆诊所或家庭使用。
伦敦大学学院女王广场神经学研究所的弗拉基米尔·利特瓦克教授对这些结果进行了评论,他未参与该研究,他表示这代表了开发临床有用测试的早期步骤,但尚未证明存在这样的工具。
利特瓦克说:"该研究发现有遗忘症和无遗忘症患者的脑电图反应存在明显差异。然而,使用这种效应对个体患者进行分类的能力,包括错误率估计,尚未得到评估。"
他补充道:"此外,所有测试患者都已经出现症状。一个关键的下一步将是进行前瞻性研究,以确定这种效应是否能预测个体的临床轨迹并支持治疗的患者分层。这项工作尚未完成。"
今年早些时候,美国食品药品监督管理局批准了首个辅助诊断阿尔茨海默病的血液检测,有报告表明这已经导致抗淀粉样蛋白疗法使用量的增加。
其他检测可能发展为这种形式痴呆的个体的实验方法包括:人工智能驱动的眼部检查、虚拟现实导航评估、基于嗅觉、打字、书写和驾驶模式的测试,以及将人工智能应用于医生进行的标准认知评估。
Q&A
Q1:Fastball测试是什么?它如何工作?
A:Fastball是一项三分钟的脑电图测试,要求人们在佩戴EEG头戴设备时记住屏幕上的一系列图像,通过分析大脑基于先前接触区分图像的能力来检测记忆问题。研究表明它能比其他方法提前数年发现认知衰退迹象。
Q2:Fastball测试能准确诊断阿尔茨海默病风险吗?
A:研究显示Fastball测试能可靠识别轻度认知障碍患者的记忆问题,特别是遗忘性轻度认知障碍患者的反应明显减弱。但专家指出还需要更多测试来评估个体患者分类能力和错误率,以及前瞻性研究来预测临床轨迹。
Q3:Fastball测试可以在哪里进行?
A:研究首次证明Fastball测试可以在患者家中进行,无需临床环境。研究人员表示该技术有潜力扩展到全科医生诊所、记忆诊所或家庭使用,实现更广泛的筛查和监测,但在常规健康环境中使用前还需要更多测试验证。
好文章,需要你的鼓励
IBM在量子开发者大会上发布两款新型量子处理器。Quantum Nighthawk配备120个量子比特和218个新一代可调耦合器,比前代产品增加20%耦合器,可执行复杂度提升30%的电路。Quantum Loon是实验性处理器,展示了实现极低错误率和高效错误恢复的所有组件。IBM计划2026年底确认首批量子优势案例,并于2029年交付大规模容错量子计算平台。
斯坦福大学等机构联合开发的CIFT系统首次解决了机器人"近视眼"问题,通过精确控制真实数据和合成数据的混合比例,让机器人在陌生环境中的表现提升54%以上。该系统包含多视角视频增强引擎MVAug和数据组合优化策略,能够预测数据失效的"去相干点",确保机器人学习真正重要的任务特征而非环境表象,为实用化通用机器人奠定了重要基础。
VDURA数据平台第12版本通过扩展元数据计算、添加系统级快照功能和支持叠瓦磁记录硬盘来降低每TB成本。新版本引入弹性元数据引擎,可动态扩展元数据节点,将元数据操作性能提升最多20倍。快照功能支持即时的节省空间的数据集时点副本。SMR硬盘支持通过智能写入放置引擎,在不影响吞吐量的情况下每机架增加25-30%容量。
香港中文大学研究团队开发的Search-R3系统成功解决了大语言模型推理与搜索分离的问题,通过两阶段训练让AI在深度思考过程中直接生成搜索向量。该系统在多个领域测试中显著超越现有方法,特别是启用推理后性能提升明显,为AI系统设计提供了推理与搜索统一的新范式,展现了从专门化向通用化发展的重要方向。