作為一種常見的神經退行性疾病，阿爾茨海默癥起病隱匿、多發(fā)于中老年群體。而且早在阿爾茨海默癥發(fā)作前15-20年，有毒的β-淀粉樣蛋白分子就已在患者大腦中積累。當患者意識受到損傷時，其腦內的神經元已經大量死亡。所以越早發(fā)現，越有機會減緩甚至停止疾病進程。近日，研究人員開發(fā)一種功能強大的新型深度學習算法(AI)，可以比現有的診斷方法早6年檢測出阿爾茨海默癥。
目前用于確定阿爾茨海默癥發(fā)病的診斷工具之一是一種稱為18-F-氟脫氧葡萄糖PET掃描（FDG-PET）的腦成像掃描。這種掃描傳統(tǒng)上用于識別幾種類型的癌癥，但近年來證明它本身可用于識別阿爾茨海默癥以及其他幾種類型的癡呆癥。
在最新的研究中，舊金山加利福尼亞大學的研究人員基于1002名患者的2100多幅FDG-PET腦圖像上訓練了機器學習算法，觀察腦細胞新陳代謝的微小變化。AI先是在90％的圖像上進行了訓練，然后在剩余10％的圖像以及來自40名從未研究過的患者的獨立檢查中進行算法性能驗證。
“大腦中葡萄糖攝取模式的差異是非常微妙和分散的，”研究的共同作者、加州大學舊金山分校放射與生物醫(yī)學成像系的Jae Ho Sohn說道，“人們善于發(fā)現特定疾病的生物標記物，但代謝變化代表了一個更全面和微妙的過程。”
將AI應用于阿爾茨海默病的研究并非史無前例，但最新研究利用阿爾茨海默癥神經成像倡議（ADNI）數據訓練深度學習算法，以關注腦細胞中葡萄糖攝取模式，這是一種新的方法。研究結果以“A Deep Learning Model to Predict a Diagnosis of Alzheimer Disease by Using 18F-FDG PET of the Brain”為題發(fā)表在《Radiology》雜志上。
雖然臨床醫(yī)生擅長FDG-PET腦圖像評估，但新的深度學習技術能夠識別密集成像數據中更微妙的模式。該算法能夠預測所有進展為阿爾茨海默病的病例——具有82%的特異性和 敏感性，與放射科醫(yī)師相比，診斷時間平均提前了75.8個月。Jae Ho Sohn表示，“我們對算法的性能非常滿意，它能預測每一個進展為阿爾茨海默癥的病例。”
鑒于樣本量太?。ㄖ挥?0例），需要通過更大的獨立數據集合前瞻性研究進行驗證該算法，但研究小組相信，AI系統(tǒng)最終會成為放射學家的補充工具，并為使用AI來發(fā)現其他與阿爾茨海默病相關的生物學標志物奠定基礎，這些標志物包括β-淀粉樣蛋白和tau蛋白積聚以及異常p葉黃素凝塊。
合作咨詢
肖女士
021-33392297
Kelly.Xiao@imsinoexpo.com
2006-2025 上海博華國際展覽有限公司版權所有（保留一切權利）
滬ICP備05034851號-57
