via Getty Images/IEEE

現(xiàn)在還沒有針對阿茲海默氏癥（老年癡呆）的標準臨床測試手段，所以醫(yī)生們通常是通過對病人進行認知測試測試他們認知減退的程度來診斷這個疾病的。但是對于輕度認知障礙（MCI）的患者來說，這種診斷策略很難奏效。臨床上癡呆的早期癥狀很不明顯，而預測輕度認知障礙的患者什么時候會發(fā)展成阿茲海默氏癥（并不是所有疾病都會這樣發(fā)展的）。

所以研究者想要將深度學習應用到這項挑戰(zhàn)中就不奇怪了。弗吉尼亞州喬治梅森大學的心理學教授Pamela Greenwood說，“有些測試很喜歡告訴你：‘這個人會得阿茲海默氏癥，那個人不會。’”

最近，哈佛大學、麻省綜合醫(yī)院和中國華中科技大學的一群研究者設計了一種綜合了功能性磁共振成像（fMRI）腦部掃描和許多臨床數(shù)據(jù)的用來預測阿茲海默氏癥的程序。五月的時候他們首次在馬來西亞吉隆坡舉辦的IEEE國際交流會議（IEEE International Conference on Communications）上公開發(fā)布了這項研究的成果。

“我們想要在疾病非常早期的階段就發(fā)現(xiàn)它的存在，”麻省綜合醫(yī)院臨床資料管理中心的研究員李全政教授（QuanZheng,Li）表示，“很多人想用傳統(tǒng)的機器學習方法來做這件事，但是結果并不好，因為這個問題確實很難解決。”

在開始測試后，他們表示將他們的深度學習程序的結果和一個特定的fMRI數(shù)據(jù)庫資料組配對時，會比使用傳統(tǒng)的數(shù)據(jù)庫和診斷方法方法的結果提高20%的精確度。但是當這些傳統(tǒng)的分類方法使用這種特殊的數(shù)據(jù)組后，它們的準確率也獲得了相似程度的提升。

愛丁堡大學的生物醫(yī)學工程師Javier Escudero表示這說明新的診斷程序相比舊的的優(yōu)勢并沒有想象中那么大，可能只是數(shù)據(jù)更優(yōu)化的結果。

如果事實真是這樣的話，那其他想要將深度學習應用到診斷阿茲海默癥的專家們可能就會更仔細的審視一下自己用來進行分析的數(shù)據(jù)了。這項最新的研究成果：可以顯示大腦各區(qū)域之間的關系的fMRI掃描比提供了比之前那些只是記錄各種數(shù)值的掃描更細膩的視野。

到目前為止，哈佛領導的這個小組正在試圖通過結合fMRI掃描和深度學習來預測MCI病人有多大可能會發(fā)展成阿茲海默氏癥患者。使用fMRI是因為這種儀器能顯示被檢測者腦部的電信號活動和大腦不同區(qū)域連接起來的方式。

描述這種不同區(qū)域的連接的術語叫“功能連接（functional connectivity）”，在病人患上MCI后這種連接的樣式會發(fā)生改變，這是因為信號的傳播依賴著對神經(jīng)元的氧氣供給，但是在阿茲海默氏癥患者神經(jīng)元中積累的蛋白質(zhì)幾乎斷絕了氧氣的供應，造成大腦區(qū)域的萎縮。

這些研究者想知道他們能否從這種功能連接的變化中預測阿茲海默氏癥的發(fā)作。他們從對93個MCI患者和101個普通患者的神經(jīng)影像數(shù)據(jù)的分析開始。用從這些參與者的大腦中90個區(qū)域中測得的以時間序列為基礎的130個fMRI測試數(shù)據(jù)，這些研究者能夠發(fā)現(xiàn)在某段時間內(nèi)神經(jīng)信號是如何傳播的。

接下來的一步相當重要，研究者將這些數(shù)據(jù)組處理得到了一組用來描述大腦內(nèi)這些區(qū)域間信號連接強度的次級數(shù)據(jù)。也就是說，他們創(chuàng)建了一份“功能連接”地圖來顯示哪些區(qū)域和信號是互相關聯(lián)的最緊密的。

最后，團隊建立了一個可以用來解釋這些“地圖”的深度學習程序，把這些與年齡、性別、遺傳風險因素等臨床數(shù)據(jù)結合起來，來預測一個人有沒有可能患上阿茲海默氏癥。

李全政說研究結果的效果已經(jīng)幾乎精確到可以臨床應用了，“當這種方法的精確度達到90%，它就很有用了”。她說，“我們的精確度還沒有那么高，但也已經(jīng)很接近了?！?/p>

即使是之前通過檢測腦脊液中蛋白質(zhì)容量是否過剩的用來預測MCI患者是否會轉(zhuǎn)變?yōu)闉榘⑵澓Ｄ习Y的實驗室技術也只有大約65%的準確率。這意味著有些真正的患者沒能被確診，而有些則在無謂的擔心其實并不會發(fā)生的疾病惡化。

但是在仔細過了一遍哈佛這個團隊的研究的設計概要之后，在北卡羅來納大學教堂山分校從事類似研究的認知計算科學家沈定剛（Dinggang Shen）表示了懷疑。

“沒有任何人在這個領域能達到80%或者90%的準確度”，他說，“基于這樣的研究，達到這種程度是不可能的”（概覽的作者們承認他們給沈的早期草稿里有一些打字錯誤，但堅持聲稱這個精確度是沒錯的）。

研究結果顯示他們在只使用fMRI數(shù)據(jù)，而沒有使用功能連接地圖的時候的精確度就已經(jīng)比其他相關領域研究者的測試結果提高了幾乎20%，不過，那些傳統(tǒng)的預測方法在結合了功能連接地圖的數(shù)據(jù)之后準確度也提升了大概16%。

Escudero說，這就是說這些使用功能連接地圖或者互相連接的信號強度來判斷阿茲海默氏癥發(fā)病概率的程序會比之前那些只是測量大腦信號讀數(shù)的方法要準確很多，“看來對結果準確度提升最大的就是對功能連接數(shù)據(jù)的使用了?！?/p>

這項最新的實驗是最近廣泛出現(xiàn)的在臨床上應用深度學習或人工智能幫助醫(yī)生做出復雜決定的嘗試的一部分。而其中最著名的或許就是IBM的Watson嘗試要幫助醫(yī)生面對堆積如山的醫(yī)療記錄和研究文獻。

喬治梅森大學的GreenWood提出了一項重要的觀點，告訴了我們因為現(xiàn)在還沒有治療阿茲海默氏癥的療法，因此任何針對這種病的類似的預測手段的作用都是有限的。這項技術也還需要經(jīng)過同行審議和非常非常多的測試，才能真正實現(xiàn)臨床應用。

via IEEE

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。