毀滅性的神經退行性疾病阿爾茨海默病是無法治癒的，但透過早期檢測，患者可以在一些主要症狀出現之前尋求治療以減緩疾病的進展。現在，透過將人工智慧演算法應用於 MRI 腦部掃描，研究人員開發出一種方法，可以自動區分阿爾茨海默病患者和兩種早期痴呆症，這兩種痴呆症可能是這種記憶力剝奪性疾病的前兆。
阿姆斯特丹 VU 大學醫學中心的研究人員認為，這種方法最終可以實現各種痴呆症的自動化篩查和輔助診斷，特別是在缺乏經驗豐富的神經放射科醫生的中心。
此外，7 月 6 日線上發表在《放射學》雜誌上的結果表明，新系統能夠使用以前未見過的掃描，以高達 90% 的準確率對患者所患痴呆症的型別進行分類。[關於大腦你不知道的 10 件事]
支援科學新聞報道
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。透過購買訂閱，您正在幫助確保有關當今塑造我們世界的發現和想法的具有影響力的故事的未來。
該中心放射學和核醫學部門的高階研究員 Alle Meije Wink 說：“潛力在於使用這些技術進行篩查的可能性，以便可以在疾病變得明顯之前攔截有風險的人。”
Wink 告訴《生命科學》：“我認為目前很少有患者會相信機器預測的結果。我設想的是，醫生獲得新的掃描結果，並且在載入時，軟體能夠以一定的信心說出[這]將是阿爾茨海默病患者或[患有]另一種形式痴呆症的人。”
檢測方法
類似的機器學習技術已經用於檢測阿爾茨海默病；在這些實施方案中，這些技術用於大腦的結構 MRI 掃描，可以顯示與該疾病相關的組織損失。
但 Wink 說，科學家們早就知道，大腦在這些結構性變化開始之前會經歷功能性變化。正電子發射斷層掃描 (PET) 成像一直是跟蹤功能性變化的常用方法，但它具有侵入性且成本高昂，他補充道。
相反，Wink 和他的同事使用了一種稱為動脈自旋標記 (ASL) 的 MRI 技術，該技術測量大腦各處的灌注——血液被組織吸收的過程。該方法仍處於實驗階段，但它是非侵入性的，並且適用於現代 MRI 掃描器。
先前的研究表明，阿爾茨海默病患者通常表現出腦組織灌注減少（或灌注不足），這導致大腦氧氣和營養供應不足。
訓練系統
Wink 的團隊使用來自醫療中心患者的所謂灌注圖，訓練其系統區分患有阿爾茨海默病、輕度認知障礙 (MCI) 和主觀認知衰退 (SCD) 的患者。
260 名參與者中一半的腦部掃描用於訓練系統，另一半隨後用於測試系統在檢視以前未見過的MRI 掃描時是否可以區分不同的疾病。
研究人員發現，他們的方法可以以 90% 的準確率區分阿爾茨海默病和 SCD，並以 82% 的準確率區分阿爾茨海默病和 MCI。然而，研究人員發現，該系統在區分 MCI 和 SCD 方面出乎意料地差，準確率僅為 60%。[保持頭腦敏銳的 10 種方法]
初步結果令人興奮地表明，該方法可能能夠區分進展為阿爾茨海默病的 MCI 病例和未進展為阿爾茨海默病的 MCI 病例，研究人員表示。
在該研究中，只有 24 個 MCI 病例具有隨訪資料來表明每位患者的病情是否進展為阿爾茨海默病，每個類別中有 12 個病例。因此，研究人員表示，將它們分為兩組——一組用於訓練系統，另一組用於測試其在未見過的掃描中對病情進行分類的能力——是不可行的。
在一項初步分析中，該系統在所有 24 個病例上進行了訓練，當對這些組進行分類並將它們與其他主要組分開時，訓練準確率約為 80%。
但研究人員表示，如果沒有單獨的預測組，就不可能在未見過的掃描上測試該系統。Wink 說，再加上研究中的小樣本量，現在得出任何確鑿的結論還為時過早，儘管初步結果令人鼓舞。
實際應用
瑞士蘇黎世聯邦理工學院 (ETH-Zurich) 生物醫學影像計算助理教授 Ender Konukoglu 表示，將機器學習和 ASL 相結合是新穎的，可能具有重要的臨床應用，但還需要做更多工作來驗證該方法。
最有價值的應用是能夠區分進展為阿爾茨海默病的 MCI 病例和未進展為阿爾茨海默病的 MCI 病例，但他說，本研究中的樣本量太小，無法評估此類用途的可靠性。 Konukoglu 告訴《生命科學》：“更大的佇列可能表明，ASL 成像與機器學習相結合能夠對 MCI 組進行分類，但在那之前，很難談論此處介紹的方法的臨床適用性。”
Wink 同意，提高準確性的一種方法是使用更大的資料集。但他所在團隊正在研究的方法是建立機器學習技術，該技術可以使用來自不同成像裝置的各種資料，他說。
義大利國家研究委員會分子生物影像與生理研究所的研究員 Christian Salvatore 表示，這項研究具有創新性，但沒有引入任何新技術。他說，這只是將眾所周知的機器學習工具箱應用於 ASL 進行神經影像分析。
但 Salvatore 說，分類效能良好，並且該方法還有助於識別醫生在診斷這些疾病時感興趣的腦區。他說，這是許多使用機器學習進行神經影像分析的研究人員所忽視的。
他告訴《生命科學》：“臨床醫生希望‘看到’結果——他們不信任只返回患者預測標籤的黑匣子。因此，[3D 畫素]分類最重要的體素圖是相當必要的。”
版權 2016 年 LiveScience.com，Purch 公司。保留所有權利。未經許可，不得釋出、廣播、改寫或重新分發此材料。