人工智能方法可能有助于通过常规脑成像测试检测阿尔茨海默病

概括： 使用神经影像数据，一种新的深度学习算法能够以 90.2% 的准确度检测阿尔茨海默病。

来源： 公众群众

尽管研究人员使用作为研究的一部分收集的高质量脑成像测试在检测阿尔茨海默氏病迹象方面取得了长足进步，但马萨诸塞州总医院 (MGH) 的一个团队最近开发了一种基于有机收集的临床脑图像的准确检测方法。常规。 这一进步可能会导致更准确的诊断。

对于发表在 加一MGH 系统生物学中心研究员兼马萨诸塞州阿尔茨海默病研究中心研究员 Matthew Lemming 博士及其同事使用了深度学习——一种使用大量数据和复杂算法的机器学习和人工智能训练模型。

在这种情况下，科学家们开发了一种模型，根据从 2019 年之前在 MGH 就诊的患有和未患有阿尔茨海默氏症的患者收集的大脑磁共振成像 (MRI) 数据来检测阿尔茨海默氏病。

然后，该小组在五个数据集上测试了该模型——2019 年之后的麻省总医院、2019 年前后的布莱根妇女医院以及 2019 年前后的外部系统——看看它是否能够根据全球临床数据的真实性准确检测出阿尔茨海默病，不管医院和时间。

总体而言，该搜索包括来自 2,348 名有患阿尔茨海默病风险的患者的 11,103 张图像和来自 8,456 名未患阿尔茨海默病患者的 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%。

这项工作的一项重大创新是它能够检测阿尔茨海默氏病，而不管其他变量，如年龄。 “阿尔茨海默氏病通常发生在老年人身上，因此深度学习模型通常难以检测到更罕见的早期病例，”Lemming 说。

“我们通过让深度学习模型对被发现与患者年龄过度相关的大脑特征‘视而不见’来解决这个问题。”

Lemming 指出，疾病检测（尤其是在现实环境中）的另一个常见挑战是处理与训练集截然不同的数据。 例如，使用通用电气制造的扫描仪在 MRI 上训练的深度学习模型可能无法识别在西门子制造的扫描仪上收集的 MRI 图像。

该模型使用不确定性度量来确定患者的数据是否与训练的数据差异太大而无法做出成功的预测。

“这是为数不多的常规使用脑部 MRI 试图检测痴呆症的研究之一。虽然已经进行了大量深度学习研究以通过脑部 MRI 检测阿尔茨海默氏病，但这项研究在现实中朝着实际这样做迈出了实质性的一步。临床环境而不是理想化的实验室环境，”Lemming 说。

“我们的结果——跨地点、跨时间和人群——为这种诊断技术的临床应用提供了强有力的论据。”

其他共同作者包括 Sudeshna Das 博士和 Hyungsoon Im 博士。

资金： 这项工作得到了美国国立卫生研究院和韩国贸易、工业和能源部资助的技术创新计划的支持，该计划通过与 MGH 的分包合同进行管理。

关于这份人工智能与阿尔茨海默病研究的新闻

作者： 布拉登蔡斯
来源： 公众群众
沟通： 布拉登蔡斯 – 一般质量
图片： 该图像属于公共领域

也可以看看

原始搜索： 开放访问。
“Mass General Brigham 的异质临床 MRI 分类的对抗性混淆回归和不确定性度量。由 Matthew Lemming 等人撰写。 加一

总结

Mass General Brigham 的异质临床 MRI 分类的对抗性混淆回归和不确定性度量。

在这项工作中，我们引入了一种新的深度学习架构 MUCRAN（多相关回归对抗网络），以训练脑部 MRI 的深度学习模型，同时减少了人口统计和技术混杂因素。

我们使用 2019 年之前从马萨诸塞州综合医院收集的 17,076 个 T1 临床脑 MRI 扫描对 MUCRAN 进行了训练，并证明 MUCRAN 可以成功地消除庞大临床数据集中的主要混杂因素。 我们还应用了一种测量一组这些模型的不确定性的方法，以自动排除 AD 检测中的分布外数据。

通过将 MUCRAN 与不确定性估计方法相结合，我们证明了新收集的 MGH 数据（2019 年后；MUCRAN 为 84.6%，没有 MUCRAN 为 72.5%）和来自其他医院的数据（90.3 %) 来自医院。Brigham and Women’s 和 81.0% 来自其他医院)。

MUCRAN 提出了一种在异构临床数据中进行基于深度学习的疾病检测的通用方法。