毁灭性的神经退行性疾病阿尔茨海默病是无法治愈的，但通过早期检测，患者可以在一些主要症状出现之前寻求治疗以减缓疾病的进展。现在，通过将人工智能算法应用于 MRI 脑部扫描，研究人员开发出一种方法，可以自动区分阿尔茨海默病患者和两种早期痴呆症，这两种痴呆症可能是这种记忆力剥夺性疾病的前兆。
阿姆斯特丹 VU 大学医学中心的研究人员认为，这种方法最终可以实现各种痴呆症的自动化筛查和辅助诊断，特别是在缺乏经验丰富的神经放射科医生的中心。
此外，7 月 6 日在线发表在《放射学》杂志上的结果表明，新系统能够使用以前未见过的扫描，以高达 90% 的准确率对患者所患痴呆症的类型进行分类。[关于大脑你不知道的 10 件事]
支持科学新闻报道
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道 订阅。通过购买订阅，您正在帮助确保有关当今塑造我们世界的发现和想法的具有影响力的故事的未来。
该中心放射学和核医学部门的高级研究员 Alle Meije Wink 说：“潜力在于使用这些技术进行筛查的可能性，以便可以在疾病变得明显之前拦截有风险的人。”
Wink 告诉《生命科学》：“我认为目前很少有患者会相信机器预测的结果。我设想的是，医生获得新的扫描结果，并且在加载时，软件能够以一定的信心说出[这]将是阿尔茨海默病患者或[患有]另一种形式痴呆症的人。”
检测方法
类似的机器学习技术已经用于检测阿尔茨海默病；在这些实施方案中，这些技术用于大脑的结构 MRI 扫描，可以显示与该疾病相关的组织损失。
但 Wink 说，科学家们早就知道，大脑在这些结构性变化开始之前会经历功能性变化。正电子发射断层扫描 (PET) 成像一直是跟踪功能性变化的常用方法，但它具有侵入性且成本高昂，他补充道。
相反，Wink 和他的同事使用了一种称为动脉自旋标记 (ASL) 的 MRI 技术，该技术测量大脑各处的灌注——血液被组织吸收的过程。该方法仍处于实验阶段，但它是非侵入性的，并且适用于现代 MRI 扫描仪。
先前的研究表明，阿尔茨海默病患者通常表现出脑组织灌注减少（或灌注不足），这导致大脑氧气和营养供应不足。
训练系统
Wink 的团队使用来自医疗中心患者的所谓灌注图，训练其系统区分患有阿尔茨海默病、轻度认知障碍 (MCI) 和主观认知衰退 (SCD) 的患者。
260 名参与者中一半的脑部扫描用于训练系统，另一半随后用于测试系统在查看以前未见过的MRI 扫描时是否可以区分不同的疾病。
研究人员发现，他们的方法可以以 90% 的准确率区分阿尔茨海默病和 SCD，并以 82% 的准确率区分阿尔茨海默病和 MCI。然而，研究人员发现，该系统在区分 MCI 和 SCD 方面出乎意料地差，准确率仅为 60%。[保持头脑敏锐的 10 种方法]
初步结果令人兴奋地表明，该方法可能能够区分进展为阿尔茨海默病的 MCI 病例和未进展为阿尔茨海默病的 MCI 病例，研究人员表示。
在该研究中，只有 24 个 MCI 病例具有随访数据来表明每位患者的病情是否进展为阿尔茨海默病，每个类别中有 12 个病例。因此，研究人员表示，将它们分为两组——一组用于训练系统，另一组用于测试其在未见过的扫描中对病情进行分类的能力——是不可行的。
在一项初步分析中，该系统在所有 24 个病例上进行了训练，当对这些组进行分类并将它们与其他主要组分开时，训练准确率约为 80%。
但研究人员表示，如果没有单独的预测组，就不可能在未见过的扫描上测试该系统。Wink 说，再加上研究中的小样本量，现在得出任何确凿的结论还为时过早，尽管初步结果令人鼓舞。
实际应用
瑞士苏黎世联邦理工学院 (ETH-Zurich) 生物医学图像计算助理教授 Ender Konukoglu 表示，将机器学习和 ASL 相结合是新颖的，可能具有重要的临床应用，但还需要做更多工作来验证该方法。
最有价值的应用是能够区分进展为阿尔茨海默病的 MCI 病例和未进展为阿尔茨海默病的 MCI 病例，但他说，本研究中的样本量太小，无法评估此类用途的可靠性。 Konukoglu 告诉《生命科学》：“更大的队列可能表明，ASL 成像与机器学习相结合能够对 MCI 组进行分类，但在那之前，很难谈论此处介绍的方法的临床适用性。”
Wink 同意，提高准确性的一种方法是使用更大的数据集。但他所在团队正在研究的方法是创建机器学习技术，该技术可以使用来自不同成像设备的各种数据，他说。
意大利国家研究委员会分子生物影像与生理研究所的研究员 Christian Salvatore 表示，这项研究具有创新性，但没有引入任何新技术。他说，这只是将众所周知的机器学习工具箱应用于 ASL 进行神经影像分析。
但 Salvatore 说，分类性能良好，并且该方法还有助于识别医生在诊断这些疾病时感兴趣的脑区。他说，这是许多使用机器学习进行神经影像分析的研究人员所忽视的。
他告诉《生命科学》：“临床医生希望‘看到’结果——他们不信任只返回患者预测标签的黑匣子。因此，[3D 像素]分类最重要的体素图是相当必要的。”
版权 2016 年 LiveScience.com，Purch 公司。保留所有权利。未经许可，不得发布、广播、改写或重新分发此材料。