毁灭性的神经退行性疾病阿尔茨海默氏病是无法治愈的，但是在早期发现，患者可以在出现一些重大症状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脑扫描，研究人员开发了一种自动区分阿尔茨海默氏症患者和两种早期痴呆症的早期形式的方法，这些痴呆症可以成为记忆疾病的前体。
来自阿姆斯特丹VU大学医学中心的研究人员表明，该方法最终可以允许自动筛查和协助诊断各种形式的痴呆，特别是在缺乏经验丰富的神经放射学家的中心。
此外，结果于7月6日在线发布杂志放射学，证明新系统能够使用以前看不见的扫描，精度为90％的痴呆症分类。 [您对大脑不了解的10件事这是给出的
“潜力可能是使用这些技术筛选的可能性，因此有风险的人可以是在疾病明显之前被拦截”中心放射学和核医学部高级研究员Alle Meije Wink说。
Wink告诉Live Science：“我认为目前很少有患者相信机器预测的结果。” “我设想的是医生正在接受新的扫描，并且随着它的加载，软件将能够一定的信心说这将是阿尔茨海默氏病的患者或[患有另一种形式的痴呆症的人。”
检测方法
已经使用了类似的机器学习技术来检测阿尔茨海默氏病;在这些实现中，这些技术用于大脑的结构MRI扫描，这些MRI扫描可能显示与该疾病相关的组织损失。
但是，科学家早就知道，在这些结构变化开始之前，大脑会经历功能变化。正电子发射断层扫描（PET）成像是追踪功能更改的流行方法，但这是侵入性和昂贵的。
取而代之的是，Wink和他的同事使用了一种称为动脉自旋标记（ASL）的MRI技术，该技术在整个大脑中测量了灌注 - 被吸收到组织中的血液过程。该方法仍然是实验性的，但它无创和适用于现代MRI扫描仪。
先前的研究表明，患有阿尔茨海默氏症的人通常在脑组织中表现出灌注（或灌注不足）的降低，这导致对大脑的氧气和养分的供应不足。
训练系统
Wink的团队使用医疗中心的患者的所谓灌注图训练了其系统，以区分患有阿尔茨海默氏症的患者，轻度认知障碍（MCI）和主观认知下降（SCD）。
260名参与者中一半的脑部扫描被用于训练系统，然后使用另一半来测试该系统是否可以在以前看不见的情况下区分不同的条件MRI扫描。
研究人员发现，他们的方法可以以90％的精度区分阿尔茨海默氏症和SCD，而在阿尔茨海默氏症和MCI之间的精度为82％。但是，研究人员发现，该系统在区分MCI和SCD方面出乎意料地差，仅达到60％的精度。 [保持思想敏锐的10种方法这是给出的
研究人员说，诱人的是，初步结果表明，该方法可能能够区分MCI的案例，而MCI的案例与阿尔茨海默氏症的进展和没有发展的案例。
在这项研究中，只有24例MCI病例具有后续数据，以表明每个患者的病情是否发展为阿尔茨海默氏症，每个类别中有12个。因此，研究人员说，将它们分为两组 - 一组训练该系统，而另一组可以测试其在看不见的扫描中对病情进行分类的能力 - 是不可行的。
在初步分析中，对所有24例病例进行了培训，从而在对这些组分类并将其与其他主要组分开时，培训精度约为80％。
但是，如果没有一个单独的预测组，就不可能在看不见的扫描中测试该系统。 Wink说，加上研究中的样本量较小，现在得出任何牢固的结论还为时过早，尽管初步结果令人鼓舞。
现实世界应用
瑞士科学与工程大学Eth-Zurich的生物医学图像计算助理教授Ender Konukoglu说，将机器学习和ASL结合在一起是新颖的，并且可能具有重大的临床应用，但需要做更多的临床应用来验证该方法。
他说，最有价值的应用是能够区分阿尔茨海默氏症的MCI案例和不发展的案例，但本研究中的样本量太小，无法评估这种使用的可靠性。 Konukoglu告诉Live Science：“较大的人群可能表明，与机器学习相结合的ASL成像能够对MCI组进行分类，但是在此之前，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。但是他的小组正在努力的方法正在创造机器学习技术他说，这可以使用来自不同成像设备的各种数据。
意大利国家研究委员会分子生物成像与生理学研究所的研究员克里斯蒂安·萨尔瓦托（Christian Salvatore）说，这项研究具有创新性，但没有引入任何新技术。他说，这只是众所周知的机器学习工具箱的应用，用于对ASL进行神经影像学分析。
Salvatore说，但是分类表演很好，该方法还有助于确定医生在诊断这些疾病时感兴趣的大脑区域。他说，这是许多研究人员使用机器学习进行神经图像分析的事情。
他告诉Live Science：“临床医生想'看到'结果 - 他们不信任只能返回患者预测标签的黑匣子。” “因此，必须进行分类的最重要体素（3D像素）的地图非常必要。”
原始文章现场科学。
