2019-01-09
來源:ucsf.edu
來源:ucsf.edu
2019-01-09
研究人員利用一種常見的腦部掃描編寫了一種機器學習算法,在確診出早期阿爾茨海默癥(Alzheimer 's disease,又稱老年癡呆癥)前大約6年前就可以做出診斷,這可能會給醫(yī)生提供一個干預治療的機會。
目前還沒有治愈阿爾茨海默癥的方法,但近年來出現(xiàn)的藥物有希望阻止病情的發(fā)展,而且這些治療必須在疾病的早期進行。這場“與時間賽跑的比賽”激發(fā)了科學家們尋找早期診斷病情的方法。
加州大學舊金山分校放射學和生物醫(yī)學成像系醫(yī)學博士Jae Ho Sohn說:“阿爾茨海默癥的一個難點是,當所有的臨床癥狀出現(xiàn)并且我們可以做出明確診斷的時候,太多的神經(jīng)元已經(jīng)死亡,而且基本上不可逆轉(zhuǎn)?!?/span>
機器學習應用于PET掃描,全局監(jiān)測大腦細微變化
在最近發(fā)表在《放射學》(Radiology)雜志上的一項研究中,Sohn將神經(jīng)成像與機器學習結(jié)合起來,試圖預測患者在首次出現(xiàn)記憶障礙時是否會患上阿爾茨海默癥——這是進行干預的最佳時機。
正電子發(fā)射斷層掃描(PET)是一種測量大腦中特定分子(如葡萄糖)水平的掃描技術,已被當做一種研究工具,可以在癥狀變得嚴重之前,幫助診斷阿爾茨海默癥。
其他類型的PET掃描主要是尋找與阿爾茨海默病相關的蛋白質(zhì),但葡萄糖PET掃描更常見、更便宜,尤其是在較小的醫(yī)療機構(gòu)和發(fā)展中國家,因為它們也用于癌癥分期。
放射科醫(yī)生利用這些掃描來檢測阿爾茨海默氏癥,主要是尋找整個大腦,尤其是大腦額葉和頂葉的葡萄糖水平降低的情況。然而,由于該病是一種慢性疾病,葡萄糖的變化非常細微,很難用肉眼發(fā)現(xiàn)。
為了解決這個問題,Sohn將機器學習算法應用于PET掃描,使得早期阿爾茨海默癥的診斷更加可靠。
Sohn說:“這是深度學習的理想應用,因為它在尋找非常微妙但分散的過程方面特別強大。 人類放射科醫(yī)生非常擅長識別像腦腫瘤這樣的微小病灶,但我們很難發(fā)現(xiàn)更緩慢的全局變化?!?/span>
預測準確率高達98%,下一步著眼更多樣化樣本
為了訓練算法,Sohn從阿爾茨海默癥神經(jīng)成像計劃(ADNI)中獲取了大量圖像。ADNI是一個龐大的公共數(shù)據(jù)集,收集了最終被診斷患有阿爾茨海默癥、輕度認知障礙或無障礙患者的PET掃描數(shù)據(jù)。
最終,該算法開始自主學習哪些特征對于預測阿爾茨海默癥的診斷是重要的,哪些不是。
阿爾茨海默癥患者的大腦(左)與未患此病的患者的大腦進行比較。
一旦算法在1921次掃描中進行了訓練,科學家們就會在兩個新的數(shù)據(jù)集上對其進行測試,以評估其性能。 第一個是來自同一ADNI數(shù)據(jù)庫的188張圖片,但尚未提交給算法。 第二個是來自40名患者的全新掃描,他們被送到加州大學舊金山分校的記憶與衰老中心,可能患有認知障礙。
算法的執(zhí)行效果很好。在第一次測試中,有92%的患者患上了老年癡呆癥,而在第二次測試中有98%的患者患上了老年癡呆癥。更重要的是,在患者接受最終診斷之前,它平均預測了75.8個月 ,略多于6年。
Sohn說,下一步的計劃是在來自不同醫(yī)院和國家的更大、更多樣化的數(shù)據(jù)集上測試并校準算法。
他說:“我相信這種算法具有很強的臨床相關性。然而,在我們能夠做到這一點之前,我們需要在更大、更多樣化的患者群體中驗證和校準算法,理想情況下,患者群體來自不同的大洲和不同類型的環(huán)境。”
Sohn認為,如果這種算法能夠經(jīng)受住這些測試,那么當神經(jīng)學家在記憶診所看到病人時,就可以將其作為阿爾茨海默癥的預測和診斷工具,幫助病人更快地得到他們需要的治療。
原文鏈接:
https://www.ucsf.edu/news/2018/12/412946/artificial-intelligence-can-detect-alzheimers-disease-brain-scans-six-years
評論
請登錄后參與評論...
登錄后參與討論
提交評論