研究人員開發(fā)并驗證了一種基于深度學習的方法，可以根據(jù)常規(guī)收集的臨床大腦圖像檢測阿爾茨海默病。

《每日科學》

2023年3月3日消息

盡管研究人員在使用高質(zhì)量腦成像（研究級）檢查來檢測阿爾茨海默病的跡象方面取得了長足進展，但麻省總醫(yī)院（Massachusetts General Hospital，MGH）的一個團隊最近開發(fā)了一種依賴于常規(guī)收集的臨床腦圖像的準確檢測方法。這一進步可能會帶來更準確的診斷。

在這項發(fā)表在《公共科學圖書館：綜合》（PLOS ONE）雜志上的研究中，麻省總醫(yī)院系統(tǒng)生物學中心研究員、馬薩諸塞州阿爾茨海默病研究中心研究員 Matthew Leming 博士和他的同事們使用了深度學習（一種使用大量數(shù)據(jù)和復雜算法來訓練模型的機器學習）和人工智能來檢測阿爾茨海默病。

研究于2023年3月2日發(fā)表在《PLOS ONE》（最新影響因子：3．752）雜志上

在這種情況下，科學家們根據(jù) 2019 年之前在 MGH 看到的患有和沒有阿爾茨海默病的患者的腦磁共振圖像數(shù)據(jù)開發(fā)了一種阿爾茨海默病檢測模型。

接下來，該小組在五個數(shù)據(jù)集上測試了該模型——MGH 2019 年后，布萊根婦女醫(yī)院 2019 年前和后，以及外部醫(yī)療系統(tǒng) 2019 年前和后——以查看它是否可以基于真實世界的臨床數(shù)據(jù)準確檢測阿爾茨海默病，而不管是哪家醫(yī)院和時間。

總的來說，這項研究涉及了 2，348 名阿爾茨海默病風險患者的 11，103 張圖像和 8，456 名非阿爾茨海默病患者的 26，892 張圖像。在所有五個數(shù)據(jù)集中，該模型檢測阿爾茨海默病風險的準確率為 90．2％。

這項工作的主要創(chuàng)新之處在于，它能夠檢測出阿爾茨海默病，而不考慮年齡等其他變量。“阿爾茨海默病通常發(fā)生在老年人身上，因此深度學習模型通常很難檢測到罕見的早發(fā)病例，” Leming 說，“當發(fā)現(xiàn)大腦特征與患者的年齡過度相關(guān)，我們通過讓深度學習模型對這些大腦特征‘無視’來解決這個問題。”

Leming 指出，疾病檢測中另一個常見的挑戰(zhàn)，特別是在現(xiàn)實環(huán)境中，是處理與訓練集非常不同的數(shù)據(jù)。例如，在 GE 制造的掃描儀上訓練的深度學習模型可能無法識別西門子制造的掃描儀上收集的磁共振圖像。

該模型使用不確定性度量來確定患者數(shù)據(jù)是否與訓練時的數(shù)據(jù)差異太大，以至于無法成功預測。

“這是唯一一項使用常規(guī)收集的腦磁共振成像來試圖檢測失智癥的研究。雖然已經(jīng)進行了大量通過腦磁共振檢測阿爾茨海默病的深度學習研究，但這項研究朝著在現(xiàn)實世界的臨床環(huán)境中（而不是完美的實驗室環(huán)境）實際執(zhí)行邁出了實質(zhì)性的一步，” Leming 說，“我們的研究結(jié)果具有跨地點、跨時間和跨人群的普遍性，為這種診斷技術(shù)的臨床應用提供了強有力的證據(jù)。”

始創(chuàng)于1811年的麻省總醫(yī)院

參考文獻

Source：Massachusetts General Hospital

Artifical intelligence approach may help detect Alzheimer＇s disease from routine brain imaging tests

Reference：

Matthew Leming， Sudeshna Das， Hyungsoon Im． Adversarial confound regression and uncertainty measurements to classify heterogeneous clinical MRI in Mass General Brigham． PLOS ONE， 2023； 18 （3）： e0277572 DOI： 10．1371／journal．pone．0277572

免責聲明

本公眾號上的醫(yī)療信息僅作為信息資源提供與分享，不用于或依賴于任何診斷或治療目的。此信息不應替代專業(yè)診斷或治療。在做出任何醫(yī)療決定或有關(guān)特定醫(yī)療狀況的指導之前，請咨詢你的醫(yī)生。

       原文標題 : 人工智能方法可能有助于從常規(guī)腦成像檢查中發(fā)現(xiàn)阿爾茨海默病