近日，美国加州大学旧金山分校开发出一种用于分析大脑扫描成像的人工智能工具，它可以在最终确诊前几年准确地预测阿尔兹海默症。研究团队称，在进一步验证之后该工具可以有助于协助检测早期阿尔兹海默症，且更加有效地延缓疾病。

研究人员使用1002人的大脑正电子发射断层扫描(PET)图像来训练深度学习算法。他们使用其中90%的图像训练该算法如何识别阿尔兹海默症的特征，然后用剩余10%的图像验证其性能。然后，他们在另外40人的大脑的PET图像上测试了该算法，并准确地预测出他们中的哪些会最终确诊阿尔兹海默症。平均而言，扫描后诊断时间超过6年。该研究论文已发表在Radiology上。

研究团队描述了这种算法如何“以100%的敏感度实现82%的特异性，比最终确诊平均早75.8个月发现疾病。”

研究通讯作者、放射及生物医学影像部门的Jae Ho Sohn博士说：“我们对这项算法的表现非常满意。它能在阿尔兹海默症确诊之前提前预测每一起病例。”

阿尔兹海默症和PET成像

阿尔兹海默症协会估计，在美国大约有570万阿尔兹海默症患者，到2050年这一数字可能会上升至1400万。及早和更准确诊断该疾病不仅使患者受益，还可以节省约7.9万亿美元的医疗费用及其他支出。

随着阿尔兹海默症的发展，它会改变脑细胞如何使用葡萄糖。葡萄糖代谢的变化在一种PET图像中展示出来，这种图像能够追踪18F荧光脱氧葡萄糖（FDG）的放射性葡萄糖摄取。通过给出关于“寻找什么”的指示，研究人员能够训练深度学习算法来评估FDG PET图像以获得阿尔茨海默氏症的早期征兆。

深度学习的“自我训练”

研究人员借助来自1002人大脑超过2109张FDGPET大脑图像来训练这种算法。他们还使用了来自阿尔兹海默症神经成像学项目的其它数据。

该算法利用深度学习，这是一种通过实例进行学习的复杂人工智能，类似于人类的学习方式。深度学习允许算法通过发现数千个图像之间的微妙差异来“自学”寻找什么。这种算法的准确程度不低于人类专家分析FDGPET图像。

研究人员指出，在识别哪些患者将被临床诊断为阿尔兹海默症方面，与放射科医生相比，深度学习模型在统计学意义上表现得更好。

未来的发展

Sohn博士提醒说，这项研究规模很小，而且这些发现还需要验证。这将涉及使用更大的数据集和随着时间的推移从各个医疗机构拍摄的更多图像。在未来，这种算法可以作为放射科医生的有力补充，并为早期治疗阿尔茨海默病提供了机会。研究人员还计划将其他类型的模式识别纳入该算法。

放射与生物医学影像学系的Youngho Seo教授说，葡萄糖代谢变化并不是阿尔兹海默症的唯一标志。蛋白质的异常积聚也是该疾病的特征。

Youngho Seo教授说：“如果FDG PET结合人工智能可以及早预测阿尔兹海默症，那么β-淀粉样蛋白斑块和tau蛋白质PET图像能够从另一个维度提升预测能力。”