早發現早治療：AI為阿爾茲海默病人爭取了6年的治療時間

選自UCSF

作者：Dana Smith

機器之心編譯

在最近發表在《Radiology》雜誌上的一項研究中，來自加州大學舊金山分校的研究人員利用一種普通的腦部掃描技術開發了一種機器學習演算法，可以在阿爾茨海默病（又稱老年痴呆症）的早期階段進行診斷，比臨床診斷早 6 年左右，從而讓醫生可以提早介入，干預病情。

論文地址：https://www.ehidc.org/sites/default/files/resources/files/A Deep Learning Model to Predict a Diagnosis of Alzheimer Disease.pdf

阿爾茨海默病目前還沒有治癒方法。近年來出現的一些藥物有望阻止病情的發展。然而，這些治療方法必須在患病的早期實施才能產生效果。這種和病魔搶時間的比賽激勵科學研究人員尋找提前診斷病情的方法。

「這種病的難點在於，等所有的臨床癥狀都顯現出來之後我們才能確診，但這時已經有太多的神經元死亡，已無法挽回。」加州大學舊金山分校放射和生物醫學影像中心（Department of Radiology and Biomedical Imaging）的住院醫學博士 Jae Ho Sohn 表示。

在這項最新研究中，Sohn 將神經成像與機器學習結合起來，嘗試在患者首次出現記憶受損時預測其病情是否會演變為阿爾茲海默病，這也是最佳干預時間。

正電子發射計算機斷層掃描（PET）用於測定特定分子的水平，如大腦中的葡萄糖。在阿爾茲海默病癥狀加重之前，大腦中的葡萄糖消耗水平可以作為該病的診斷輔助信號。葡萄糖是腦細胞主要的能量來源，細胞越活躍，消耗的葡萄糖就越多。如果腦細胞生病或死亡，它使用的葡萄糖就會減少或不使用葡萄糖。

阿爾茲海默病人的腦部 PET 掃描成像。圖源：National Institute on Aging

其他類型的 PET 掃描尋找與阿爾茨海默氏症相關的蛋白質，但葡萄糖 PET 掃描更加常見，成本也更低，尤其是在較小的醫療保健機構和發展中國家中，因為這種掃描也用於癌症的分期判斷。

放射科醫生利用這些掃描方法，通過測定大腦（尤其是額葉和頂葉）中葡萄糖消耗水平的減少來檢測阿爾茲海默病。然而，由於該病的發病過程非常緩慢，葡萄糖水平的變化非常微妙，肉眼很難觀察到。

為了解決這一問題，Sohn 在 PET 掃描中應用了一種機器學習演算法，幫助醫生更加可靠地診斷阿爾茲海默病早期癥狀。

「這是深度學習的一個理想應用，因為它特別擅長發現細微但分散的過程。人類放射科醫生非常擅長識別微小的病灶，比如腦瘤；但我們不善於檢測緩慢、全局的變化，」Sohn 說道。「鑒於深度學習在這種應用中的優勢，尤其是和人類相比，將其應用於上述病症似乎是很自然而然的事情。」

為了訓練演算法，Sohn 將來自阿爾茲海默病神經成像計劃（ADNI）大型公共數據集的圖像作為輸入，這一數據集包含最終被診斷為阿爾茲海默病、輕度認知功能障礙和無病的被檢測者 PET 掃描圖像。最後，他讓這一演算法開始自行學習哪些特徵對於阿爾茲海默病預測診斷是重要的，哪些不重要。

圖 1：獨立測試集的包含和排除標準。

阿爾茨海默症患者大腦（左）和普通人大腦（右）的對比。

演算法在 1921 張掃描圖像上訓練後，科學家在兩個新數據集上對它進行測試，以評估其性能。第一個數據集包含 188 張圖像，這些圖像來自相同的 ADNI 資料庫，但演算法還沒有見過。第二個數據集是來自 40 個病人的全新掃描圖像集合，他們在 USCF 記憶和衰老中心（UCSF Memory and Aging Center）表現出了一定的認知障礙。

演算法表現非常好。在第一組測試中，它正確識別了 92% 的阿爾茨海默症患者，而在第二組測試中，正確識別了 98% 的患者。並且，在病人得到最終診斷前，它提前 75.8 個月（約 6 年）做出了這些正確診斷。

Sohn 表示，下一步將利用來自不同國家和醫院的更大、更多樣化的數據集來測試和校準該演算法。

「我認為這種演算法具有很大的臨床應用潛力。但在做到這一點之前，我們要在更大、更多樣化的患者群體中驗證和校準該演算法，這些患者最好來自不同國家和環境。」

如果該演算法可以通過這些測試，Sohn 認為，神經學家可以用它來預測和診斷記憶診所的病人，以幫助患者更快獲得他們所需的治療。

從最初僅關注臨床癥狀到發展出越來越多的生物標誌物診斷方法，人們一直在嘗試將阿爾茲海默症的確診期往前移。目前尚未有哪一種方法能夠單獨的作為阿爾茲海默症早期診斷的標誌物。這項研究值得關注的地方在於，其僅依靠了單個標誌物來診斷阿爾茲海默症。

本文為機器之心編譯，轉載請聯繫本公眾號獲得授權。

------------------------------------------------

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！