研究人员开发并验证了一种基于深度学习的方法，可以根据常规收集的临床大脑图像检测阿尔茨海默病。
研究人员开发并验证了一种基于深度学习的方法，可以根据常规收集的临床大脑图像检测阿尔茨海默病。
《每日科学》2023年3月3日消息
尽管研究人员在使用高质量脑成像（研究级）检查来检测阿尔茨海默病的迹象方面取得了长足进展，但麻省总医院（Massachusetts General Hospital，MGH）的一个团队最近开发了一种依赖于常规收集的临床脑图像的准确检测方法。这一进步可能会带来更准确的诊断。
在这项发表在《公共科学图书馆：综合》（PLOS ONE）杂志上的研究中，麻省总医院系统生物学中心研究员、马萨诸塞州阿尔茨海默病研究中心研究员 Matthew Leming 博士和他的同事们使用了深度学习（一种使用大量数据和复杂算法来训练模型的机器学习）和人工智能来检测阿尔茨海默病。
研究于2023年3月2日发表在《PLOS ONE》（最新影响因子：3.752）杂志上
在这种情况下，科学家们根据 2019 年之前在 MGH 看到的患有和没有阿尔茨海默病的患者的脑磁共振图像数据开发了一种阿尔茨海默病检测模型。
接下来，该小组在五个数据集上测试了该模型——MGH 2019 年后，布莱根妇女医院 2019 年前和后，以及外部医疗系统 2019 年前和后——以查看它是否可以基于真实世界的临床数据准确检测阿尔茨海默病，而不管是哪家医院和时间。
总的来说，这项研究涉及了 2,348 名阿尔茨海默病风险患者的 11,103 张图像和 8,456 名非阿尔茨海默病患者的 26,892 张图像。在所有五个数据集中，该模型检测阿尔茨海默病风险的准确率为 90.2%。
这项工作的主要创新之处在于，它能够检测出阿尔茨海默病，而不考虑年龄等其他变量。“阿尔茨海默病通常发生在老年人身上，因此深度学习模型通常很难检测到罕见的早发病例，” Leming 说，“当发现大脑特征与患者的年龄过度相关，我们通过让深度学习模型对这些大脑特征‘无视’来解决这个问题。”
Leming 指出，疾病检测中另一个常见的挑战，特别是在现实环境中，是处理与训练集非常不同的数据。例如，在 GE 制造的扫描仪上训练的深度学习模型可能无法识别西门子制造的扫描仪上收集的磁共振图像。
该模型使用不确定性度量来确定患者数据是否与训练时的数据差异太大，以至于无法成功预测。
“这是唯一一项使用常规收集的脑磁共振成像来试图检测失智症的研究。虽然已经进行了大量通过脑磁共振检测阿尔茨海默病的深度学习研究，但这项研究朝着在现实世界的临床环境中（而不是完美的实验室环境）实际执行迈出了实质性的一步，” Leming 说，“我们的研究结果具有跨地点、跨时间和跨人群的普遍性，为这种诊断技术的临床应用提供了强有力的证据。”
参考文献
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
文章来源:阿尔茨海默病
评论 (0)