基于人工智能的阿尔茨海默病早期诊断算法

阿尔茨海默病(AD)是一种神经退行性疾病，影响着世界上很大一部分老年人。它对大脑造成不可修复的损伤，严重损害患者的生活质量。不幸的是，阿尔茨海默病无法治愈，但早期发现可以通过药物控制症状，减缓疾病的发展。

功能性磁共振成像(fMRI)是一种非侵入性的脑部疾病诊断技术。它可以测量大脑内血氧水平随时间的微小变化，从而洞察神经元的局部活动。尽管功能磁共振成像具有诸多优点，但在临床诊断中尚未得到广泛应用。原因有两个。首先，功能磁共振成像信号的变化是如此之小，以至于它们太容易受到噪声的影响，这可能会影响结果。第二，功能磁共振成像数据分析起来很复杂。这就是深度学习算法的用武之地。

最近的一项研究发表在医学影像杂志在美国，德克萨斯理工大学的科学家们利用机器学习算法对功能磁共振成像数据进行分类。他们开发了一种被称为卷积神经网络(CNN)的深度学习算法，可以区分健康人、轻度认知障碍患者和AD患者的fMRI信号。

cnn可以自主地从输入数据中提取对人类观察者隐藏的特征。他们通过训练获得这些特征，这需要大量的预分类数据。cnn主要用于二维图像分类，这意味着四维fMRI数据(三个空间和一个时间)提出了挑战。功能磁共振成像数据与大多数现有的CNN设计不兼容。

为了克服这个问题，研究人员开发了一种CNN架构，它可以用最少的预处理步骤恰当地处理功能磁共振成像数据。网络的前两层专注于仅根据时间变化从数据中提取特征，而不考虑三维结构的性质。接下来的三层从之前提取的时间特征中提取不同尺度的空间特征。这产生了一组时空特征，最后一层用于对来自健康受试者、早期或晚期轻度认知障碍患者或AD患者的输入功能磁共振成像数据进行分类。

与以往将机器学习与功能磁共振成像相结合用于AD诊断的尝试相比，该策略提供了许多优势。德克萨斯理工大学的博士生、该研究的主要作者哈什特·帕尔玛解释说，他们的工作最重要的方面在于他们的CNN架构的质量。新的设计简单而有效地处理复杂的功能磁共振成像数据，这些数据可以作为输入输入到CNN，而无需对数据结构进行任何显著的操作或修改。反过来，这减少了所需的计算资源，并允许算法做出更快的预测。

深度学习方法能否改善AD检测和诊断领域?Parmar这么认为。他解释说:“深度学习cnn可以用来提取与AD相关的功能性生物标记物，这可能有助于早期检测AD相关痴呆。”

研究人员用公共数据库中的功能磁共振数据训练并测试了他们的CNN，初步结果很有希望:他们算法的分类准确率与其他方法一样高，甚至更高。

如果这些结果适用于更大的数据集，它们的临床意义将是巨大的。“阿尔茨海默氏症目前还无法治愈。尽管脑损伤无法逆转，但疾病的发展可以通过药物减少和控制，”作者说。“我们的分类器可以准确地识别轻度认知障碍在发展为AD之前提供早期警告的阶段。”

---

---