第 19 屆 ATTD 國際研討會：口頭發表第四場次 (Oral Presentation Session 04)

主題：糖尿病的篩檢、預防與治癒 (Screening, Prevention, and Cure of Diabetes)

會前開場與引言

(會場播放前導音訊/開場致意) 「你從來都不是我生命中的錯誤。你是一份祝福。祝福。祝福。你就像是我的第二次青春期。每當我需要你的時候，你總是在我身邊，為此，我感謝你。感謝你無時無刻將你的光芒照耀這個世界。不僅僅是在 YouTube 上，而是你的所作所為，你所實踐的——那份善良。而那正是我們這個世界所更需要的。」

(主席開場) 各位早安，非常感謝大家的參與。歡迎現場以及在線上參與的各位來到第四場口頭發表場次 (Oral Presentation Session 04)。我們今天的議程將涵蓋廣泛且全面的主題，共同探討糖尿病的篩檢、預防與治癒 (screening, prevention, and the cure of diabetes)。

對於線上的與會者，我想提醒大家可以透過 Unlock 應用程式來進行提問；而現場的聽眾，您也可以使用大會的專屬應用程式來提交問題。講台上已經為我準備了一台 iPad，我會在這裡即時接收大家的問題。當然，也非常歡迎各位直接走向麥克風，我們可以採用傳統的互動方式，請隨時上前發言。您可以在應用程式的「互動功能 (interactive features)」按鈕中找到提交問題的地方。

我個人非常喜歡研討會中的口頭發表場次，因為在這裡你總是可以聽到最尖端的研究進展。我想讓我們的議程馬上展開。

講者介紹與議程突發狀況

我非常高興為大家介紹我們的第一位講者，來自布里斯本昆士蘭醫學研究院 (Queensland Institute of Medical Research) 的 Santiago Diaz Torres 教授。他今天原訂將為我們主講的題目是：如何利用遺傳學 (genetics)、表觀基因體學 (epigenomics) 以及空間轉錄體學 (spatial transcriptomics) 來理解第 1 型糖尿病 (type 1 diabetes) 異質性的病理生理學，並進行重要的小血管併發症 (microvascular complications) 預測。

不過，Torres 教授今天早晨似乎無法與我們會合。

基於公開可用臨床數據的人工智慧驅動第 1 型糖尿病個體化預測

(由於原訂講者缺席，以下內容為本場次中實際發表之替代/接續專題演講完整重建)

在此為大家呈現本場次關於糖尿病篩檢與預防的另一項重要創新研究：「基於公開可用臨床數據，以人工智慧驅動的第 3 期第 1 型糖尿病 (stage 3 Type 1 Diabetes) 診斷之個體化預測」。本專題由 Diamyd Medical 的首席科學長 (Chief Scientific Officer) Anton Lindqvist 提出。

在進入正題前，依規進行利益衝突聲明：Anton Lindqvist 為瑞典製藥公司 Diamyd Medical 的全職員工，該公司致力於開發針對第 1 型糖尿病的疾病修飾療法 (Disease-Modifying Therapies)。本研究同時也獲得了瑞典創新局 (VINNOVA) 透過 2021-02684 號補助金的資金支持。

ASSET 創新專案與精準健康循環

本項研究是 ASSET 創新專案 (ASSET Innovation Project) 的核心部分，該專案的終極目標在於進一步推動精準健康 (precision health) 的發展，藉此預防或延緩第 1 型糖尿病的病程進展。為了達到這個目標，專案的具體實施方針包含兩大主軸：落實第 1 型糖尿病自體免疫的臨床篩檢 (Implement screening for T1D autoimmunity)，並建立一套具備成本效益的個人化風險預測模型 (Cost-effective personalized risk prediction)。

這是一個跨越瑞典全國的龐大合作網絡。我們的專案合作夥伴涵蓋了產學研與醫療體系，包含：Diamyd Medical、Mainly.AI、Leading Health Care、國家糖尿病登記中心 (NDR, Nationella Diabetesregistret)、西約塔蘭省/薩爾格倫斯卡大學醫院 (Västra Götalandsregionen / Sahlgrenska Universitetssjukhuset)、隆德大學 (Lunds Universitet) 以及厄勒布魯省 (Region Örebro län)。這些機構共同構成了一個涵蓋三大階段的精準健康完整循環架構：從利用 AI 網絡進行預測 (Predict)，結合人群與醫療介入來進行預防 (Prevent)，最終在臨床流程中進行實施 (Implement)。

AI 個人化疾病預測模型的設計與臨床目標

我們開發的 AI 個人化疾病預測先導模型 (Pilot Application for T1D Screening)，其核心系統架構在於整合多樣化的數據來源 (Integrate diverse data sources)。這個中央 AI 引擎能夠同時吸收四大類的輸入數據：遺傳資訊 (Genetics)、環境因素 (Environment)、生物標記 (Biomarkers) 以及家族病史 (Family History)，並且設計成能夠隨著時間推移，持續納入額外的新數據進行更新。

這項設計的主要臨床目標，在於盡可能避免給患者和醫療體系帶來不必要的負擔。具體而言，我們希望透過 AI 達到以下幾點：

限制測試回診的次數，減少病患的奔波。
對於輸入數據的種類與時間安排保持高度的彈性 (Flexible)。
盡可能使用簡單且低成本的數據來源。 4. 保留系統隨時間改善並擴充額外數據的能力。
透過個人化的風險預測來量身打造最適合的監測計畫 (tailor monitoring)。

TEDDY 世代數據與多任務邏輯斯迴歸模型 (MTLR)

在演算法的選擇上，本研究採用了多任務邏輯斯迴歸模型 (Multi Task Logistic Regression Model, MTLR)，並使用了國際知名的 TEDDY 世代研究 (TEDDY Cohort Study) 數據進行分析與訓練。

在研究設計與資料收集的時間軸上，我們參考了 Ferrat 等人於 2020 年發表於《Nature Medicine》的方法學 (A combined risk score enhances prediction of type 1 diabetes among susceptible children)。TEDDY 世代涵蓋了從出生 (0 個月) 一直追蹤至 15 歲的長期數據，期間包含了既定時程的血液 (Blood) 與糞便 (Stool) 採樣。通常情況下是每 6 個月進行一次採樣，但若孩童被檢測出具有自體抗體陽性 (Ab+)，則會將採樣頻率縮短為每 3 個月一次。

透過導入 MTLR 模型，我們能夠繪製出精細的存活預測曲線 (Survival Plot)。以「進展緩慢者 (Slow Progressor)」的預測為例，模型會計算出患者在不同時間點維持無事件 (Probability of Remaining Event-Free) 的機率。當預測機率曲線穿越 0.5 的閾值線時，我們便能據此定義並預測出「達到事件的時間 (Time to event)」，從而在模型預測水平 (Model horizon) 內提供臨床決策依據。

AI 開發流程與持續優化

我們的 AI 開發與驗證流程嚴謹地分為三個主要階段：

第一階段是原始數據處理與 AI 演算法實作。我們輸入了大量的原始數據，包含 DNA 遺傳學資料、自體抗體資料、人口統計學與家族資料，以及患者的主觀報告。在演算法實作中，訓練資料集 (Training Dataset) 負責讓模型學習並找出隱藏的模式與規則，進而調整其內部參數；而測試資料集 (Test Dataset) 則用來驗證這些發現，並為未來的篩檢與監測提供潛在的最佳時程建議。

第二階段是演算法微調與驗證 (Algorithm Tuning & Validation)。這包含了針對架構進行微調，以尋找表現最好的篩檢時間點，同時在現有資料集上進行交叉驗證 (Cross validation)，以確保模型能產出可靠且具備泛化能力的結果。

第三階段則是建立持續優化 (Ongoing Optimization) 的反饋迴圈。我們的目標是逐步將篩檢參數精簡至最有效的核心指標，並賦予系統持續學習 (Continuous learning) 的能力，讓模型能隨著新數據的加入而不斷進化。

模型評估與突破性成果 (交叉驗證後結果)

最後，為大家展示本模型在經過交叉驗證後的詳細評估結果（此為尚未發表的最新工作成果）。我們比較了基礎的 Deep-MTLR 模型與經過超參數優化的 Tuned Deep-MTLR 模型，在不同年齡回診策略下的表現。評估的關鍵指標包含：AUC（區分兩組的能力）、敏感度 (Sensitivity, 檢測真陽性的能力)、特異度 (Specificity, 檢測真陰性的能力) 以及預測 T1D 發生的平均絕對誤差 (MAE, 單位為個月)。

從分析數據中，我們得出了三個非常重要的臨床洞察與趨勢：

第一，當使用較晚期的回診數據時，預測表現會顯著提升。 若我們僅使用小於 1 歲時的回診數據，模型的 AUC 為 0.86，敏感度僅 0.35，預測誤差 (MAE) 高達 75 個月。然而，若使用 6 歲時的回診數據，AUC 躍升至 0.98，敏感度提升至 0.60，MAE 更大幅縮減至 31 個月。

第二，當使用多次回診數據時，預測表現會進一步改善。 我們比較了隨機回診次數的影響：在 6 歲前進行 1 次隨機回診，AUC 為 0.93（敏感度 0.5，MAE 70個月）；若進行 2 次隨機回診，AUC 提升至 0.96（敏感度 0.66，MAE 降至 50個月）。更進一步，若我們明確指定結合「2 歲與 6 歲」這兩次特定時間點的回診數據，模型能達到 0.98 的超高 AUC 與 0.99 的特異度，MAE 縮小至 33 個月。

第三，超參數微調 (Hyperparameter tuning) 能將模型推向更高的精準度。 在同樣使用「2 歲與 6 歲」兩次回診數據的基準上，我們經過微調的 Tuned Deep-MTLR 模型展現了驚人的實力：它不僅維持了 0.98 的極高 AUC 與 0.98 的特異度，其敏感度更從原先的 0.61 顯著拉升至 0.77，且預測誤差 (MAE) 被極致壓縮至僅僅 16.9 個月。這意味著我們能夠以極高的精準度，將 T1D 的發