Dana Smith作者

早发现早治疗:AI为阿尔兹海默病人争取了6年的治疗时间

在最近发表在《Radiology》杂志上的一项研究中,来自加州大学旧金山分校的研究人员利用一种普通的脑部扫描技术开发了一种机器学习算法,可以在阿尔茨海默病(又称老年痴呆症)的早期阶段进行诊断,比临床诊断早 6 年左右,从而让医生可以提早介入,干预病情。

论文地址:https://www.ehidc.org/sites/default/files/resources/files/A%20Deep%20Learning%20Model%20to%20Predict%20a%20Diagnosis%20of%20Alzheimer%20Disease.pdf

阿尔茨海默病目前还没有治愈方法。近年来出现的一些药物有望阻止病情的发展。然而,这些治疗方法必须在患病的早期实施才能产生效果。这种和病魔抢时间的比赛激励科学研究人员寻找提前诊断病情的方法。

「这种病的难点在于,等所有的临床症状都显现出来之后我们才能确诊,但这时已经有太多的神经元死亡,已无法挽回。」加州大学旧金山分校放射和生物医学影像中心(Department of Radiology and Biomedical Imaging)的住院医学博士 Jae Ho Sohn 表示。

在这项最新研究中,Sohn 将神经成像与机器学习结合起来,尝试在患者首次出现记忆受损时预测其病情是否会演变为阿尔兹海默病,这也是最佳干预时间。

正电子发射计算机断层扫描(PET)用于测定特定分子的水平,如大脑中的葡萄糖。在阿尔兹海默病症状加重之前,大脑中的葡萄糖消耗水平可以作为该病的诊断辅助信号。葡萄糖是脑细胞主要的能量来源,细胞越活跃,消耗的葡萄糖就越多。如果脑细胞生病或死亡,它使用的葡萄糖就会减少或不使用葡萄糖。

阿尔兹海默病人的脑部 PET 扫描成像。图源:National Institute on Aging 

其他类型的 PET 扫描寻找与阿尔茨海默氏症相关的蛋白质,但葡萄糖 PET 扫描更加常见,成本也更低,尤其是在较小的医疗保健机构和发展中国家中,因为这种扫描也用于癌症的分期判断。

放射科医生利用这些扫描方法,通过测定大脑(尤其是额叶和顶叶)中葡萄糖消耗水平的减少来检测阿尔兹海默病。然而,由于该病的发病过程非常缓慢,葡萄糖水平的变化非常微妙,肉眼很难观察到。

为了解决这一问题,Sohn 在 PET 扫描中应用了一种机器学习算法,帮助医生更加可靠地诊断阿尔兹海默病早期症状。

「这是深度学习的一个理想应用,因为它特别擅长发现细微但分散的过程。人类放射科医生非常擅长识别微小的病灶,比如脑瘤;但我们不善于检测缓慢、全局的变化,」Sohn 说道。「鉴于深度学习在这种应用中的优势,尤其是和人类相比,将其应用于上述病症似乎是很自然而然的事情。」

为了训练算法,Sohn 将来自阿尔兹海默病神经成像计划(ADNI)大型公共数据集的图像作为输入,这一数据集包含最终被诊断为阿尔兹海默病、轻度认知功能障碍和无病的被检测者 PET 扫描图像。最后,他让这一算法开始自行学习哪些特征对于阿尔兹海默病预测诊断是重要的,哪些不重要。

图 1:独立测试集的包含和排除标准。

阿尔茨海默症患者大脑(左)和普通人大脑(右)的对比。

算法在 1921 张扫描图像上训练后,科学家在两个新数据集上对它进行测试,以评估其性能。第一个数据集包含 188 张图像,这些图像来自相同的 ADNI 数据库,但算法还没有见过。第二个数据集是来自 40 个病人的全新扫描图像集合,他们在 USCF 记忆和衰老中心(UCSF Memory and Aging Center)表现出了一定的认知障碍。

算法表现非常好。在第一组测试中,它正确识别了 92% 的阿尔茨海默症患者,而在第二组测试中,正确识别了 98% 的患者。并且,在病人得到最终诊断前,它提前 75.8 个月(约 6 年)做出了这些正确诊断。

Sohn 表示,下一步将利用来自不同国家和医院的更大、更多样化的数据集来测试和校准该算法。

「我认为这种算法具有很大的临床应用潜力。但在做到这一点之前,我们要在更大、更多样化的患者群体中验证和校准该算法,这些患者最好来自不同国家和环境。」

如果该算法可以通过这些测试,Sohn 认为,神经学家可以用它来预测和诊断记忆诊所的病人,以帮助患者更快获得他们所需的治疗。

从最初仅关注临床症状到发展出越来越多的生物标志物诊断方法,人们一直在尝试将阿尔兹海默症的确诊期往前移。目前尚未有哪一种方法能够单独的作为阿尔兹海默症早期诊断的标志物。这项研究值得关注的地方在于,其仅依靠了单个标志物来诊断阿尔兹海默症。

原文链接:https://www.ucsf.edu/news/2018/12/412946/artificial-intelligence-can-detect-alzheimers-disease-brain-scans-six-years

理论神经网络AI+医疗
1
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

数据库技术

数据库,简而言之可视为电子化的文件柜——存储电子文件的处所,用户可以对文件中的数据运行新增、截取、更新、删除等操作。 所谓“数据库”系以一定方式储存在一起、能予多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。

神经元技术

(人工)神经元是一个类比于生物神经元的数学计算模型,是神经网络的基本组成单元。 对于生物神经网络,每个神经元与其他神经元相连,当它“兴奋”时会向相连的神经元发送化学物质,从而改变这些神经元的电位;神经元的“兴奋”由其电位决定,当它的电位超过一个“阈值”(threshold)便会被激活,亦即“兴奋”。 目前最常见的神经元模型是基于1943年 Warren McCulloch 和 Walter Pitts提出的“M-P 神经元模型”。 在这个模型中,神经元通过带权重的连接接处理来自n个其他神经元的输入信号,其总输入值将与神经元的阈值进行比较,最后通过“激活函数”(activation function)产生神经元的输出。

推荐文章
暂无评论
暂无评论~