2022-07-08

Comm Med | AI准确预测98%阿尔茨海默病患者

原创 图灵基因 图灵基因 2022-07-08 09:56 发表于江苏

收录于合集#前沿生物大数据分析

伦敦帝国理工学院的研究人员开发了一种机器学习工具，通过分析大脑内的结构特征，包括以前与阿尔茨海默病无关的区域，可以通过单次磁共振成像（MRI）扫描诊断阿尔茨海默病。该团队表示，该技术的优势在于其简单性以及它可以在早期阶段识别疾病的事实，否则阿尔茨海默病可能很难诊断。

研究负责人、帝国理工学院外科和癌症系教授Eric Aboagye博士说：“目前，没有其他简单且广泛可用的方法可以如此准确地预测阿尔茨海默病，因此我们的研究是向前迈出的重要一步。许多在记忆门诊就诊的阿尔茨海默病患者也确实有其他神经系统疾病，但即使在这一组中，我们的系统也可以将患有阿尔茨海默病的患者与没有患阿尔茨海默病的患者区分开来。”

Aboagye及其同事在《Communications Medicine》上的一篇题为“A predictive model using the mesoscopic architecture of the living brain to detect Alzheimer’s disease”的论文中报告了他们的工作。他们在论文中总结道，“这种新的数据分析方法显示了提高阿尔茨海默病诊断准确性的潜力。”

作者解释说，阿尔茨海默病是痴呆症最常见的病因，会影响记忆、思维和行为。这种疾病影响了英国超过50万人，其中大部分是65岁以上的人，尽管年轻人也可能患上阿尔茨海默氏症。痴呆症最常见的症状是记忆力减退以及思考、解决问题和语言方面的障碍。

虽然阿尔茨海默病没有治愈方法，但在早期快速得到诊断对患者有帮助。这使他们能够获得帮助和支持，获得治疗以控制症状，并为未来制定计划。能够在疾病的早期准确识别患者也将有助于研究人员了解引发疾病的大脑变化，并支持新疗法的开发和试验。然而，研究人员继续说道，“诊断阿尔茨海默病可能具有挑战性，这可能导致患者治疗不理想。”

医生目前使用一系列测试来诊断阿尔茨海默病，包括记忆和认知测试以及脑部扫描。扫描用于检查大脑中的蛋白质沉积和海马体的收缩，海马体是大脑中与记忆相关的区域。所有这些测试可能需要几周的时间来安排和处理。

新方法只需要在大多数医院常见的标准1.5 Tesla机器上进行一次MRI脑部扫描。研究人员采用了一种用于癌症肿瘤分类的算法，并将其应用于大脑。他们将大脑分为115个区域，并分配了660个不同的特征，例如大小、形状和纹理，以评估每个区域。然后，他们对算法进行了训练，以确定这些特征的哪些变化可以准确预测阿尔茨海默病的存在，甚至在大脑明显萎缩之前。研究人员解释道：“对于每位患者，使用两阶段最小绝对收缩和选择算子（LASSO）推导出一种称为‘阿尔茨海默氏症预测向量’（ApV）的生物标志物。”

利用阿尔茨海默病神经影像学计划的数据，该团队测试了他们对400多名早期或晚期阿尔茨海默病患者、健康对照组和其他神经系统疾病患者（包括额颞叶痴呆和帕金森病）的脑部扫描方法。他们还利用帝国理工学院医疗保健NHS信托基金会80多名接受阿尔茨海默病诊断测试的患者的数据对该方法进行了测试。

他们发现，在98%的病例中，仅基于MRI的机器学习系统就可以准确预测患者是否患有阿尔茨海默病。它还能够在79%的患者中以相当高的准确度区分早期和晚期阿尔茨海默病。

研究人员表示：“这种方法提供了一种能够检测AD早期阶段的生物标志物，具有显著改善临床决策支持系统的潜力。我们的ApV功能强大，可在MRI扫描中重复使用，显示出其在未来临床实践中的应用潜力。”该方法也不需要“主题专家”，因为它使用既定的软件进行大脑分割和放射组学分析，作者继续说道。“该算法计算手动设计的特征，可以轻松解释ApV并促进临床转化。”

Aboagye指出，“等待诊断对患者及其家人来说可能是一种可怕的经历。如果我们可以缩短他们必须等待的时间，使诊断过程变得更简单，并减少一些不确定性，那将有很大帮助。我们的新方法还可以识别早期患者进行新药治疗或改变生活方式的临床试验，这一点目前很难做到。”

新系统发现了以前与阿尔茨海默病无关的大脑区域的变化，包括小脑（大脑中协调和调节身体活动的部分）和腹侧间脑（与感觉、视觉和听觉相关）。这为研究这些领域及其与阿尔茨海默病的联系开辟了潜在的新途径。

共同作者Paresh Malhotra博士是帝国理工学院医疗保健NHS信托基金的顾问神经学家，也是帝国理工学院脑科学系的研究员，他说：“虽然神经放射学家已经解释了MRI扫描来帮助诊断阿尔茨海默病，但扫描结果可能有一些甚至专家都看不见的特征。使用一种能够选择大脑中受阿尔茨海默病影响的纹理和细微结构特征的算法，可以真正增强我们从标准成像技术中获得的信息。”

总之，该团队得出结论：“……本研究提出了一种无监督的方法，用于开发基于MRI的生物标志物，用于AD的生物学表征。ApV具有可重复性和耐用性。它可以通过人工设计特征的计算来轻松计算，并且可以随时集成到临床决策支持系统中，而无需额外的采样或患者测试。”