尽管研究人员在使用作为研究研究的一部分收集的高质量脑成像测试来检测阿尔茨海默病的迹象方面取得了长足进展，但马萨诸塞州总医院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》上的研究中，麻省理工学院研究员马修·莱明(Matthew Leming)说。麻省阿尔茨海默病研究中心的研究人员和他的同事们使用了深度学习——一种机器学习和人工智能，使用大量数据和复杂的算法来训练模型。

在这种情况下，科学家们开发了一种阿尔茨海默氏症检测模型，该模型基于从在弥撒中看到的患有和没有这种疾病的患者身上收集的脑磁共振图像(mri)数据。2019年之前。

接下来，该小组在五个数据集上测试了模型-质量。2019年之后的通用，2019年之后的布里格姆和妇女医院，以及2019年之前和之后的外部系统，看看它是否能够根据真实世界的临床数据准确识别阿尔茨海默氏症，而不受医院和时间的影响。

总的来说，这项研究涉及了2348名有阿尔茨海默病风险的患者的11,103张图像，以及8456名没有阿尔茨海默病的患者的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氏症，而不考虑年龄等其他变量。

Leming说:“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较罕见的早期发病病例。”“我们通过让深度学习模型对大脑特征‘盲目’来解决这个问题，它发现大脑特征与患者的年龄过度相关。”

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，在通用电气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核磁共振图像。

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大脑核磁共振成像来试图检测痴呆症的研究。虽然已经进行了大量通过大脑核磁共振检测阿尔茨海默氏症的深度学习研究，但这项研究朝着在现实世界的临床环境中实际执行这项研究迈出了实质性的一步，而不是完美的实验室环境。”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。”

其他合著者包括Sudeshna Das和Hyungsoon Im。

这项工作得到了国立卫生研究院和大韩民国贸易、工业和能源部资助的技术创新计划的支持，该计划通过分包给MGH进行管理。

注：本文由院校官方新闻直译，仅供参考，不代表指南者留学态度观点。