机器学习应用于PET扫描，全局监测大脑细微变化

阿尔茨海默症，又称老年痴呆症，不仅给患者带来痛苦，也会给患者的家庭造成困扰。目前阿尔兹海默症并没有治愈的方法，但是近期，来自加州大学旧金山分校的医学博士Jae Ho Sohn利用机器学习方法，应用于PET扫描，能够在确诊前6年做出诊断，准确率高达98%。

研究人员利用一种常见的脑部扫描编写了一种机器学习算法，在确诊出早期阿尔茨海默症(Alzheimer 's disease，又称老年痴呆症)前大约6年前就可以做出诊断，这可能会给医生提供一个干预治疗的机会。

目前还没有治愈阿尔茨海默症的方法，但近年来出现的药物有希望阻止病情的发展，而且这些治疗必须在疾病的早期进行。这场“与时间赛跑的比赛”激发了科学家们寻找早期诊断病情的方法。

加州大学旧金山分校放射学和生物医学成像系医学博士Jae Ho Sohn说：“阿尔茨海默症的一个难点是，当所有的临床症状出现并且我们可以做出明确诊断的时候，太多的神经元已经死亡，而且基本上不可逆转。”

对阿尔茨海默氏症患者大脑的PET扫描

机器学习应用于PET扫描，全局监测大脑细微变化

在最近发表在《放射学》(Radiology)杂志上的一项研究中，Sohn将神经成像与机器学习结合起来，试图预测患者在首次出现记忆障碍时是否会患上阿尔茨海默症——这是进行干预的最佳时机。

正电子发射断层扫描(PET)是一种测量大脑中特定分子(如葡萄糖)水平的扫描技术，已被当做一种研究工具，可以在症状变得严重之前，帮助诊断阿尔茨海默症。

其他类型的PET扫描主要是寻找与阿尔茨海默病相关的蛋白质，但葡萄糖PET扫描更常见、更便宜，尤其是在较小的医疗机构和发展中国家，因为它们也用于癌症分期。

放射科医生利用这些扫描来检测阿尔茨海默氏症，主要是寻找整个大脑，尤其是大脑额叶和顶叶的葡萄糖水平降低的情况。然而，由于该病是一种慢性疾病，葡萄糖的变化非常细微，很难用肉眼发现。

为了解决这个问题，Sohn将机器学习算法应用于PET扫描，使得早期阿尔茨海默症的诊断更加可靠。

Sohn说：“这是深度学习的理想应用，因为它在寻找非常微妙但分散的过程方面特别强大。 人类放射科医生非常擅长识别像脑肿瘤这样的微小病灶，但我们很难发现更缓慢的全局变化。”

预测准确率高达98%，下一步着眼更多样化样本

为了训练算法，Sohn从阿尔茨海默症神经成像计划(ADNI)中获取了大量图像。ADNI是一个庞大的公共数据集，收集了最终被诊断患有阿尔茨海默症、轻度认知障碍或无障碍患者的PET扫描数据。

最终，该算法开始自主学习哪些特征对于预测阿尔茨海默症的诊断是重要的，哪些不是。

阿尔茨海默症患者的大脑(左)与未患此病的患者的大脑进行比较。

一旦算法在1921次扫描中进行了训练，科学家们就会在两个新的数据集上对其进行测试，以评估其性能。第一个是来自同一ADNI数据库的188张图片，但尚未提交给算法。 第二个是来自40名患者的全新扫描，他们被送到加州大学旧金山分校的记忆与衰老中心，可能患有认知障碍。

算法的执行效果很好。在第一次测试中，有92%的患者患上了老年痴呆症，而在第二次测试中有98%的患者患上了老年痴呆症。更重要的是，在患者接受最终诊断之前，它平均预测了75.8个月 ，略多于6年。

Sohn说，下一步的计划是在来自不同医院和国家的更大、更多样化的数据集上测试并校准算法。

他说：“我相信这种算法具有很强的临床相关性。然而，在我们能够做到这一点之前，我们需要在更大、更多样化的患者群体中验证和校准算法，理想情况下，患者群体来自不同的大洲和不同类型的环境。”

Sohn认为，如果这种算法能够经受住这些测试，那么当神经学家在记忆诊所看到病人时，就可以将其作为阿尔茨海默症的预测和诊断工具，帮助病人更快地得到他们需要的治疗。