作为一类慢性中枢神经疾病，阿兹海默病越来越严重地影响了现代社会。2015 年，全世界约有 3000 多万人被患有这种疾病。因为需要花费巨大人力物力来妥善护理病人，它也给世界各地的卫生保健系统带来了很大的经济负担。虽然目前没有已知的方法在晚期病例阶段中该疾病的恶化，但有表明，如果早期发现，相应治疗有望使疾病进展获得减慢或停止。所以，如何找到一种可靠的方法来提早发现那些有可能具备疾病风险的潜在病人，逐步成为医学研究和临床护理的重要目标。近日，韩国高科技科学院（Korea Advanced Institute of Science and Technology）和 Cheonan 公共卫生中心的科学家们通过深度学习（deep learning）开发出一项技术， 能以超过 84% 的准确度识别未来三年可能发展成为阿兹海默病的潜在病人。
深度学习认识到阿兹海默病在人类大脑 PET 扫描图像中的独特特征（图片来源：MIT Technology Review）
随着年龄的增长，认知衰退是不可避免的。我们往往变得更加健忘，更频繁地中断思，或更难做出决定、完成任务。医生称这种情况为轻度认知障碍，并且会随着年龄增长影响大多数人群。更严重的情形下，许多轻度认知障碍患者会继续发展成为阿兹海默病：他们失去了词汇语言能力，或语无伦次；他们开始非常健忘，甚至不亲人；失去基本的照顾技能，最终完全依赖于照顾者。大多数病人在获诊断后几年时间内因病去世。但值得注意的是，并非所有轻度认知障碍患者都遵循这条道：有些人不会恶化，甚至有些改善。所以医生会非常热衷于能够发现可能发展成为阿兹海默病的潜在人群，因为他们最有可能受益于早期干预治疗。一般来说，其中一种方法是研究大脑的正电子发射断层扫描（PET）扫描图片。众多医学研究显示，阿兹海默病患者的大脑部位大量产生一种被称为淀粉样蛋白斑块的特征性蛋白质团块，它能负面影响大脑使用葡萄糖的能力，于是显着降低脑代谢速率。利用这一原理，某些类型的 PET 扫描可以显示出上述两种情况的大脑迹象，因此可以被用于发现最有可能发展成为阿兹海默病的轻度认知障碍患者。
遗憾的是，这一理论在操作中难以得到适当实践：认读解释 PET 图像很不容易。研究人员通过长期培训可以寻找一两个大的生物学标记，但是这种方法不仅耗时且容易出错。韩国科学家 Hongyoon Choi 博士和 Kyong Hwan Jin 博士开发了深度学习的神经网络，期望这一过程可替代人类的观察活动。他们的方法很简单。近年来，世界各地的阿兹海默病研究人员一直在建立一个健康人群与阿尔茨海默病患者脑图像的数据库。Hongyoon Choi 博士和 Kyong Hwan Jin 博士使用这个数据库来训练卷积神经网络，并且在此基础之上识别它们之间的区别。该数据集由 182 位 70 多岁的健康脑图像和 139 位相似年龄的确诊阿兹海默病患者大脑图像组成。通过培训，该机器软件系统很快就学会了识别差异，精确度几乎达到了百分之九十。接下来，Hongyoon Choi 博士和 Kyong Hwan Jin 博士使用他们的机器来分析不同的数据集。这里面包括了 181 位 70 多岁轻度认知障碍患者的脑部图像，其中 79 人在三年内继续发展为阿兹海默病——显然机器学习的任务是发现这些易患疾病的个体。这一机器深度学习的结果常鼓舞的：软件系统识别轻度认知障碍患者患者成为阿兹海默病的预测精度高达 84.2%，优于常规基于特征的人为量化方法（p<0.05），显示出了深度学习技术使用脑图像预测疾病预后的可行性。
地址：陕西省西安市灞桥区新寺569号唐都医院临床教学楼312室 邮箱：联系电话 传线号 技术支持：陕西奈特星网络发展有限公司
最新评论