深度學習能否幫助及早診斷阿茲海默氏症（老年痴呆）？

via Getty Images/IEEE

現在還沒有針對阿茲海默氏症（老年痴呆）的標準臨床測試手段，所以醫生們通常是通過對病人進行認知測試測試他們認知減退的程度來診斷這個疾病的。但是對於輕度認知障礙（MCI）的患者來說，這種診斷策略很難奏效。臨床上痴呆的早期癥狀很不明顯，而預測輕度認知障礙的患者什麼時候會發展成阿茲海默氏症（並不是所有疾病都會這樣發展的）。

所以研究者想要將深度學習應用到這項挑戰中就不奇怪了。弗吉尼亞州喬治梅森大學的心理學教授Pamela Greenwood說，「有些測試很喜歡告訴你：『這個人會得阿茲海默氏症，那個人不會。』」

最近，哈佛大學、麻省綜合醫院和中國華中科技大學的一群研究者設計了一種綜合了功能性磁共振成像（fMRI）腦部掃描和許多臨床數據的用來預測阿茲海默氏症的程序。五月的時候他們首次在馬來西亞吉隆坡舉辦的IEEE國際交流會議（IEEE International Conference on Communications）上公開發布了這項研究的成果。

「我們想要在疾病非常早期的階段就發現它的存在，」麻省綜合醫院臨床資料管理中心的研究員李全政教授（QuanZheng,Li）表示，「很多人想用傳統的機器學習方法來做這件事，但是結果並不好，因為這個問題確實很難解決。」

在開始測試後，他們表示將他們的深度學習程序的結果和一個特定的fMRI資料庫資料組配對時，會比使用傳統的資料庫和診斷方法方法的結果提高20%的精確度。但是當這些傳統的分類方法使用這種特殊的數據組後，它們的準確率也獲得了相似程度的提升。

愛丁堡大學的生物醫學工程師Javier Escudero表示這說明新的診斷程序相比舊的的優勢並沒有想像中那麼大，可能只是數據更優化的結果。

如果事實真是這樣的話，那其他想要將深度學習應用到診斷阿茲海默症的專家們可能就會更仔細的審視一下自己用來進行分析的數據了。這項最新的研究成果：可以顯示大腦各區域之間的關係的fMRI掃描比提供了比之前那些只是記錄各種數值的掃描更細膩的視野。

到目前為止，哈佛領導的這個小組正在試圖通過結合fMRI掃描和深度學習來預測MCI病人有多大可能會發展成阿茲海默氏症患者。使用fMRI是因為這種儀器能顯示被檢測者腦部的電信號活動和大腦不同區域連接起來的方式。

描述這種不同區域的連接的術語叫「功能連接（functional connectivity）」，在病人患上MCI後這種連接的樣式會發生改變，這是因為信號的傳播依賴著對神經元的氧氣供給，但是在阿茲海默氏症患者神經元中積累的蛋白質幾乎斷絕了氧氣的供應，造成大腦區域的萎縮。

這些研究者想知道他們能否從這種功能連接的變化中預測阿茲海默氏症的發作。他們從對93個MCI患者和101個普通患者的神經影像數據的分析開始。用從這些參與者的大腦中90個區域中測得的以時間序列為基礎的130個fMRI測試數據，這些研究者能夠發現在某段時間內神經信號是如何傳播的。

接下來的一步相當重要，研究者將這些數據組處理得到了一組用來描述大腦內這些區域間信號連接強度的次級數據。也就是說，他們創建了一份「功能連接」地圖來顯示哪些區域和信號是互相關聯的最緊密的。

最後，團隊建立了一個可以用來解釋這些「地圖」的深度學習程序，把這些與年齡、性別、遺傳風險因素等臨床數據結合起來，來預測一個人有沒有可能患上阿茲海默氏症。

李全政說研究結果的效果已經幾乎精確到可以臨床應用了，「當這種方法的精確度達到90%，它就很有用了」。她說，「我們的精確度還沒有那麼高，但也已經很接近了。」

即使是之前通過檢測腦脊液中蛋白質容量是否過剩的用來預測MCI患者是否會轉變為為阿茲海默氏症的實驗室技術也只有大約65%的準確率。這意味著有些真正的患者沒能被確診，而有些則在無謂的擔心其實並不會發生的疾病惡化。

但是在仔細過了一遍哈佛這個團隊的研究的設計概要之後，在北卡羅來納大學教堂山分校從事類似研究的認知計算科學家沈定剛（Dinggang Shen）表示了懷疑。

「沒有任何人在這個領域能達到80%或者90%的準確度」，他說，「基於這樣的研究，達到這種程度是不可能的」（概覽的作者們承認他們給沈的早期草稿里有一些打字錯誤，但堅持聲稱這個精確度是沒錯的）。

研究結果顯示他們在只使用fMRI數據，而沒有使用功能連接地圖的時候的精確度就已經比其他相關領域研究者的測試結果提高了幾乎20%，不過，那些傳統的預測方法在結合了功能連接地圖的數據之後準確度也提升了大概16%。

Escudero說，這就是說這些使用功能連接地圖或者互相連接的信號強度來判斷阿茲海默氏症發病概率的程序會比之前那些只是測量大腦信號讀數的方法要準確很多，「看來對結果準確度提升最大的就是對功能連接數據的使用了。」

這項最新的實驗是最近廣泛出現的在臨床上應用深度學習或人工智慧幫助醫生做出複雜決定的嘗試的一部分。而其中最著名的或許就是IBM的Watson嘗試要幫助醫生面對堆積如山的醫療記錄和研究文獻。

喬治梅森大學的GreenWood提出了一項重要的觀點，告訴了我們因為現在還沒有治療阿茲海默氏症的療法，因此任何針對這種病的類似的預測手段的作用都是有限的。這項技術也還需要經過同行審議和非常非常多的測試，才能真正實現臨床應用。

via IEEE

3人投票

智康福 心臟 健康檢測儀

智康福(skeeper) 利用 MIC的集音原理收集人體聲音信號,運用獨有的特殊語音處理技術和無線傳送方式來避免傳統超聲波電流等裝置輸入方式對人體的傷害。