根據發(fā)表在《放射學》雜志上的一項研究，人工智能技術提高了大腦成像預測阿爾茨海默病的能力。
及時診斷阿爾茨海默病非常重要，因為治療和干預措施在疾病早期更有效。然而，早期診斷被證明具有挑戰(zhàn)性。研究將疾病過程與代謝變化聯系起來，例如大腦某些區(qū)域的葡萄糖攝取，但這些變化可能很難識別。該研究的合著者、加州大學舊金山分校(UCSF)放射學和生物醫(yī)學成像系的Jae Ho Sohn博士說：“大腦中葡萄糖攝取模式的差異非常細微且分散?！叭藗兩朴诎l(fā)現疾病的特定生物標志物，但代謝變化代表著一個更為全球性和微妙的過程?！?
這項研究的資深作者、來自美國加州大學舊金山分校的醫(yī)學博士本杰明弗蘭克(Benjamin Franc)通過放射學大數據研究小組聯系了加州大學伯克利分校的本科生Sohn博士和丁，這是一個由專注于放射學的醫(yī)學和工程專業(yè)人士組成的多學科團隊。數據科學。弗蘭克博士對應用深度學習很感興趣，深度學習是一種人工智能，在這種智能中，機器通過像人類這樣的例子來學習，以發(fā)現和預測阿爾茨海默病中大腦代謝的變化。研究人員使用一種叫做18-氟脫氧葡萄糖正電子發(fā)射斷層掃描(FDG-正電子發(fā)射斷層掃描)的特殊成像技術來訓練深度學習算法。在FDG正電子發(fā)射斷層掃描中，放射性葡萄糖化合物FDG被注入血液。然后，PET掃描可以測量腦細胞的FDG攝取，這是代謝活動的指標。
研究人員從阿爾茨海默氏病(ADNI)神經成像倡議獲得數據，這是一項主要的多地點研究，重點是臨床試驗，以改善這種疾病的預防和治療。ADNI數據集包括來自1002名患者的2100多張FDG正電子發(fā)射斷層掃描腦圖像。研究人員在90%的數據集上訓練深度學習算法，然后在剩下的10%的數據集上進行測試。通過深度學習，算法可以自學阿爾茨海默病對應的代謝模式。
最后，研究人員在一組來自40名從未接受過研究的患者的40項獨立影像檢查中測試了該算法。當疾病在最終診斷前平均檢測超過六年時，該算法達到100%的靈敏度?！拔覀儗λ惴ǖ男阅芊浅M意，”Sohn博士說?！八梢灶A測每一個發(fā)展成老年癡呆癥的病例。”盡管他警告說，他們的獨立測試集非常小，需要通過更大規(guī)模的多機構前瞻性研究進一步驗證，但Sohn博士說，該算法可以成為一個有用的工具，以補充放射科醫(yī)生的工作——特別是與其他生化和成像測試——并為早期治療干預提供機會。他說：“如果我們在所有癥狀都出現的時候診斷出阿爾茨海默病，那么大腦體積就會減少到無法干預的程度?！叭绻覀兡芨绨l(fā)現，研究人員將有機會找到更好的方法來減緩甚至阻止疾病進程?！?
加州大學舊金山分校的Youngho Seo博士認為，未來的研究方向包括訓練深度學習算法，尋找與-淀粉樣蛋白和tau蛋白積累相關的模式。大腦中異常的蛋白質團塊和纏結是阿爾茨海默病的特異性標志。擔任本研究的指導顧問之一。“如果早期使用FDG-PET結合人工授精可以預測阿爾茨海默病，那么淀粉樣斑塊和tau蛋白PET的成像可能會增加另一個重要的預測能力，”他說。
標簽：
免責聲明：本文由用戶上傳，如有侵權請聯系刪除！