類風(fēng)濕關(guān)節(jié)炎（RA）是第二大常見的自身免疫性疾病,，截至2019年，全球估計患病人數(shù)接近2000萬例,。該病以四肢小關(guān)節(jié)開始的破壞性關(guān)節(jié)改變?yōu)樘卣?，如不及時治療可繼續(xù)累及較大關(guān)節(jié)。目前,，2010年美國風(fēng)濕病學(xué)會/歐洲抗風(fēng)濕病聯(lián)盟（ACR/EULAR）分類系統(tǒng)是RA診斷和分類最常用的標(biāo)準(zhǔn)。RA的治療旨在減輕炎癥和關(guān)節(jié)破壞,。初始治療包括非甾體類抗炎藥（NSAID）和皮質(zhì)類固醇，隨后是緩解病情的抗風(fēng)濕藥物（DMARD）,。

圖1.人工智能（AI）模型,、CT計算機斷層掃描、MRI磁共振成像,、US超聲的各種輸入數(shù)據(jù)源

目前，檢測個體臨床前RA最常用的方法是測量自身抗體,，如抗瓜氨酸化蛋白抗體（ACPA）或類風(fēng)濕因子（RF），這些抗體甚至可能在有癥狀疾病出現(xiàn)前數(shù)年出現(xiàn),。然而，它們的陽性預(yù)測值較差,。O’Neil等設(shè)計了以血清蛋白質(zhì)組為輸入的回歸模型，以確定確診疾病者（即高危人群）一級親屬中最終有可能發(fā)生RA的患者（即進展者）,。在ACPA陰性病例中,， LASSO回歸利用17種蛋白識別進展者，準(zhǔn)確率為100%,。

多項研究試圖確定與RA發(fā)生風(fēng)險相關(guān)的單核苷酸多態(tài)性（SNP）及其之間的上位關(guān)系。Kruppa等人使用隨機叢林模型,，確定了與RA密切相關(guān)的496個SNP組（AUC=0.89）,。Negi及其同事還研究了單核苷酸多態(tài)性（SNP）,，發(fā)現(xiàn)4個SNP與疾病顯著相關(guān)，最大和最小比值比（OR）分別為1.42和0.86,。

RA的早期診斷至關(guān)重要,，因為病程中的早期干預(yù)可阻礙關(guān)節(jié)的炎性破壞,，并導(dǎo)致更好的結(jié)局,。使用ML方法分析組學(xué),，即基因組學(xué),、轉(zhuǎn)錄組學(xué)、蛋白質(zhì)組學(xué),、代謝組學(xué),、脂質(zhì)組學(xué)、糖組學(xué)或宏基因組，能夠同時評估眾多生物分子與RA的相關(guān)性,。

1.利用組學(xué)數(shù)據(jù)診斷RA

幾項研究開發(fā)了血清或血漿內(nèi)多種編碼或非編碼核糖核酸（RNA）的組合,，以使用ML方法建立準(zhǔn)確的RA診斷。在最近的一項研究中,，Liu及其同事評估了外周血細胞的基因表達譜,，并確定了52個RA患者的差異表達基因,。進一步的蛋白質(zhì)-蛋白質(zhì)分析確定了9個在RA發(fā)生中起關(guān)鍵作用的樞紐基因,，即CFL1、COTL1,、ACTG1,、PFN1,、LCP1,、LCK,、HLA-E、FYN和HLA-DRA,。logistic回歸和隨機森林模型顯示，在區(qū)分RA和健康樣本方面,，這9種信使RNA（mRNA）的AUC≥0.97,。

使用代謝組學(xué)和糖組學(xué)的機器學(xué)習(xí)方法在RA診斷中也顯示出有前景的結(jié)果,。Ahmed及其同事通過研究血漿,、血清和滑膜樣本評估了關(guān)節(jié)受損蛋白質(zhì)的診斷價值,，包括氧化、硝化和糖化蛋白質(zhì)以及循環(huán)中釋放的氧化,、硝化和糖化游離加合物,。

此外,，即使在RA患者中，ML算法也可以促進患者分層,。Orange等人利用聚類算法鑒定出3種滑膜基因表達模式,，包括白細胞廣泛浸潤的高炎癥亞型,、轉(zhuǎn)化生長因子（TGF）-β,、糖蛋白和神經(jīng)元基因介導(dǎo)的通路富集指定的低炎癥亞型和混合亞型,。

2.影像學(xué)在RA診斷中的應(yīng)用

影像學(xué)表現(xiàn)對RA的診斷和分期至關(guān)重要,?；跈C器學(xué)習(xí)的算法（監(jiān)督和無監(jiān)督）已被開發(fā)用于使用MRI圖像檢測和量化滑膜炎,。在最近的一項研究中，Wu及其同事開發(fā)了一種基于DL的模型,，通過對超聲捕獲的滑膜增殖進行分類來評估RA的嚴重程度,。除了傳統(tǒng)的影像學(xué)檢查、CT,、超聲和MRI之外,，分子成像在RA患者的診斷和管理中也發(fā)揮著關(guān)鍵作用。

3.臨床和傳感器數(shù)據(jù)診斷RA

目前已經(jīng)開發(fā)了幾種使用臨床數(shù)據(jù)診斷RA的模型,。Fukae等人將臨床信息轉(zhuǎn)換為二維陣列圖像,，并使用CNN（AlexNet）區(qū)分RA患者。傳感器數(shù)據(jù)是豐富的疾病診斷和監(jiān)測數(shù)據(jù)集,，使用可穿戴設(shè)備,、熱成像傳感器和圖像傳感器等技術(shù)采集。在最近的一項研究中,，使用從電子圖像傳感器生成的淋巴細胞圖像中提取的特征的ML算法對RA分類高度準(zhǔn)確，準(zhǔn)確率高達97.5%,。

Omics是預(yù)測治療反應(yīng)的有價值的輸入來源，由于遺傳物質(zhì)和疾病分子基礎(chǔ)的不同,，患者間差異很大。Artacho等人創(chuàng)建了一個隨機森林模型,，可以使用腸道微生物組數(shù)據(jù)識別MTX應(yīng)答者,，AUC為0.84,。當(dāng)僅考慮緩解可能性高（≥80%）或低（≤20%）的患者時,，算法的AUC增加至0.94,。與甲氨蝶呤（MTX）相比，利用組學(xué)數(shù)據(jù)似乎更有利于預(yù)測對二線或三線生物DMARD（bDMARD）的應(yīng)答,。例如,，SVM算法使用基因組學(xué)數(shù)據(jù)識別對英夫利西單抗應(yīng)答的患者,，AUC為0.92,。

成像數(shù)據(jù)也可用于預(yù)測治療反應(yīng)的模型,。Kato等人開發(fā)了基于RA和脊柱關(guān)節(jié)炎患者超聲圖像上滑膜炎,、腱鞘炎和附著點炎嚴重程度的評分系統(tǒng)，評估治療應(yīng)答情況,。

測量疾病活動度對于選擇最佳治療計劃、確定治療緩解和預(yù)后至關(guān)重要,。此外,，早期預(yù)測疾病嚴重程度有助于及時給予最適合的藥物,。28個關(guān)節(jié)的疾病活動度評分（DAS28）是RA最常用的嚴重程度指標(biāo)之一。類風(fēng)濕性關(guān)節(jié)炎與廣泛的合并癥相關(guān),，尤其是心血管,、動脈粥樣硬化,、肌肉骨骼和神經(jīng)系統(tǒng)疾病。預(yù)防這些并發(fā)癥需要及時識別有風(fēng)險的患者,。頸動脈超聲是評估動脈粥樣硬化斑塊的一種非侵入性,、高效的方式,。ML和DL算法可通過分析這些圖像增強RA患者的心血管風(fēng)險分層,。

肌肉骨骼并發(fā)癥是RA患者的其他主要合并癥之一,。Hu等采用常規(guī)logistic回歸,、LASSO回歸和隨機森林方法確定RA患者骨丟失的危險因素。

風(fēng)濕病一般為慢性,，需要長期治療,。因此,，開發(fā)耐受性良好和有效的新型藥物至關(guān)重要,。許多制藥項目由于靶點選擇不正確而失敗,，這是假設(shè)驅(qū)動測試的必然結(jié)果,。Zhao及其同事通過創(chuàng)建ML模型來解決這個問題,，該模型通過檢查正在接受一種已經(jīng)被證明是有效的藥物治療的患者的表達譜來提出潛在的治療方法,，產(chǎn)生相似的表達譜的靶標(biāo)。他們使用隨機森林和梯度增強機器算法尋找RA候選靶標(biāo)的結(jié)果顯示與外部數(shù)據(jù)庫列表潛力顯著一致,。

圖2. 人工智能在加強RA診斷和管理中的作用

人工智能（AI）可以促進篩查,、診斷,、監(jiān)測,、風(fēng)險評估、預(yù)后判斷,、達到最佳治療效果和為類風(fēng)濕關(guān)節(jié)炎患者從頭發(fā)現(xiàn)藥物,，以及通過增強基礎(chǔ)科學(xué)研究拓寬對疾病病理生理學(xué)的了解。將這些機器和（或）深度學(xué)習(xí)算法納入現(xiàn)實世界環(huán)境將是AI醫(yī)學(xué)進展的關(guān)鍵步驟,。需要進行進一步的研究,，以確保開發(fā)可靠和可推廣的算法，同時仔細尋找任何潛在的偏倚或不當(dāng)行為來源,。

參考文獻：

Momtazmanesh, S., Nowroozi, A. & Rezaei, N. Artificial Intelligence in Rheumatoid Arthritis: Current Status and Future Perspectives: A State-of-the-Art Review. Rheumatol Ther (2022). https:///10.1007/s40744-022-00475-4