人工智能可以预测可能的阿尔茨海默病，准确率接近100%
立陶宛考纳斯理工大学的研究人员开发的算法可以以接近100%的准确率预测可能的阿尔茨海默病。
考纳斯理工大学官网9月3日消息
立陶宛考纳斯理工大学（Kaunas University of Technology，KTU）的研究人员开发了一种基于深度学习的方法，可以从大脑图像预测阿尔茨海默病的可能发病，准确率超过99%。该方法是在分析138名受试者的功能性MRI图像时开发的，在准确性、敏感性和特异性方面优于先前开发的方法。研究于近日发表在《诊断学》（Diagnostics）杂志上。
研究于2021年6月10日发表在《Diagnostics》（最新影响因子：5.568）杂志上
据世界卫生组织称，阿尔茨海默病是导致失智最常见的原因，占失智病例的70%。全世界大约有2,400万人受到影响，预计这一数字每20年将翻一番。由于社会老龄化，这种疾病在未来几年将成为昂贵的公共卫生负担。
“世界各地的医疗专业人员都在努力提高人们对早期阿尔茨海默病诊断的认识，这为患者提供了更好的机会从治疗中获益。这是尼日利亚博士生 Modupe Odusami选择课题时最重要的问题之一，”考纳斯理工大学信息学院多媒体工程系的研究员Rytis Maskeliūnas说，他是 Odusami 的博士生导师。
Rytis Maskeliūnas 教授
图像处理委托给机器
阿尔茨海默病的最初症状之一可能是轻度认知障碍(MCI)，这是介于正常衰老和失智症之间的认知能力下降阶段。Maskeliūnas 报道称，基于之前的研究，功能性磁共振成像(fMRI)可以用来识别大脑中与阿尔茨海默病发病相关的区域。MCI的早期通常没有明显的症状，但在相当多的情况下可以通过神经成像检测到。
然而，尽管理论上可行，手动分析功能磁共振成像图像，试图识别与阿尔茨海默病相关的变化，不仅需要特定的知识，而且也很耗时——应用深度学习和其他人工智能方法可以大大缩短这一过程的时间。发现MCI特征并不一定意味着疾病的存在，因为它也可能是其他相关疾病的症状，但它更多的是一个指标和可能的助手，以引导医疗专业人员的评估。
“现代信号处理允许将图像处理委托给机器，这样可以更快、更准确地完成。当然，我们不敢建议一个医学专业人员应该百分之百地依赖任何算法。把机器想象成一个机器人，它能够完成最乏味的任务，比如对数据进行排序和搜索特征。在这种情况下，在计算机算法选择了可能受影响的病例后，专家可以更密切地观察它们，最终，随着诊断和治疗更快地到达患者手中，每个人都受益。”
我们需要充分利用数据
基于深度学习的模型是由立陶宛人工智能领域的领先研究人员进行卓有成效的合作开发的，使用著名的细调ResNet 18(残差神经网络)的修改对138名受试者获得的fMRI图像进行分类。这些图像分为六种不同的类别：从健康的轻度认知障碍(MCI)到阿尔茨海默病。从阿尔茨海默病神经影像学计划（ADNI）fMRI数据集中选择了51,443和27,310张图像进行训练和验证。
该模型能够有效地发现给定数据集中的MCI特征，在早期MCI与AD、晚期MCI与AD、早期MCI与早期MCI的分类准确率分别达到99.99%、99.95%和99.95%。
“虽然这不是第一次尝试用类似的数据诊断早期阿尔茨海默病，但我们的主要突破是算法的准确性。显然，如此高的数字并不能反映真实的现实情况，但我们正在与医疗机构合作，以获得更多的数据。” Maskeliūnas 说。
根据他的说法，该算法可以开发成软件，可以分析从弱势群体(65岁以上、有脑损伤史、高血压等)收集的数据，并通知医务人员与早发阿尔茨海默病相关的异常情况。
“我们需要充分利用数据，” Maskeliūnas 说，“这就是为什么我们的研究小组关注欧洲开放科学原则，这样任何人都可以使用我们的知识并进一步发展它。我相信这一原则对社会进步有很大的帮助。”
首席研究员的主要研究领域是现代人工智能方法在信号处理和多模态接口上的应用，他说，上述模型可以集成到一个更复杂的系统中，分析几个不同的参数，也可以监测眼球运动的跟踪，面部识别、语音分析等。这样的技术可以用于自我检查，如果有什么引起担忧，可以寻求专业建议。
“技术可以使药物更容易获得和更便宜。尽管它们永远不会（或至少不会很快）真正取代医疗专业人员，但技术可以鼓励寻求及时的诊断和帮助，” Maskeliūnas 说。
创立于1922年的考纳斯理工大学
参考文献
Source：Kaunas University of Technology
Algorithm developed by Lithuanian researchers can predict possible Alzheimer’s with nearly 100 per cent accuracy
Reference：
Odusami, M.; Maskeliūnas, R.; Damaševičius, R.; Krilavičius, T. Analysis of Features of Alzheimer’s Disease: Detection of Early Stage from Functional Brain Changes in Magnetic Resonance Images Using a Finetuned ResNet18 Network. Diagnostics 2021, 11, 1071. https://doi.org/10.3390/diagnostics11061071