Nat Commun：人工智能促進阿爾茲海默癥的研究

來源：作者：人氣：-發表時間：2019-05-17 12:44:00【大中小】

加州大學戴維斯分校和加州大學舊金山分校的研究人員已經找到了一種方法來訓練計算機精確檢測人類大腦組織中阿爾茨海默病的生物標志物。

淀粉樣斑塊是阿爾茨海默病患者大腦中蛋白質碎片的團塊，可破壞神經細胞的連接。加州大學科學家團隊開發的機器學習工具可以“看到”腦組織樣本是否有一種類型的淀粉樣蛋白斑塊，并且很快就能完成。

該研究結果于5月15日發表在Nature Communications上，表明機器學習可以增強專家神經病理學家的專業知識和分析。該工具允許他們分析數千倍的數據，并提出即使是訓練有素的人類專家的有限數據處理能力也無法實現的新問題。

“我們仍然需要病理學家，”加州大學戴維斯分校加州大學戴維斯分校病理學和檢驗醫學系助理教授，該研究的主要作者布列塔尼N. Dugger博士說。 “這是一個工具，就像鍵盤一樣用于寫作。由于鍵盤有助于編寫工作流程，數字病理學與機器學習相結合可以幫助進行神經病理學工作流程。”

在這項研究中，她與加州大學舊金山分校神經退行性疾病研究所和藥物化學系助理教授Michael J. Keizer博士合作，確定他們是否可以教一臺計算機來自動識別和分析微小淀粉樣蛋白斑塊的繁瑣過程。各種類型的大片尸檢人腦組織。對于這項工作，Keiser和他的團隊設計了一個“卷積神經網絡”（CNN），這是一個計算機程序，旨在識別基于數千個人類標記示例的模式。

為了創建足夠的訓練樣例來教授CNN算法Dugger如何分析腦組織，UCSF團隊與她合作設計了一種方法，允許她快速注釋或標記來自50萬個特寫圖像的數萬張圖像。來自43個健康和患病大腦樣本的組織。

UCSF團隊使用這個數以萬計的標記示例圖像數據庫來訓練他們的CNN機器學習算法，以識別阿爾茨海默病中所見的不同類型的大腦變化。這包括區分所謂的核心和彌漫性斑塊以及識別血管異常。研究人員表明，他們的算法可以處理整個腦片切片，準確率為98.7％，速度僅受他們使用的計算機處理器數量的限制。然后，該團隊對計算機的識別技能進行了嚴格的測試，以確保其分析具有生物學上的有效性。

原始出處：Ziqi Tang, Kangway V. Chuang, Charles DeCarli, Lee-Way Jin, Laurel Beckett, Michael J. Keiser, Brittany N. Dugger Interpretable classification of Alzheimer’s disease pathologies with a convolutional neural network pipeline.Nature Communications, 2019; 10 (1) DOI: 10.1038/s41467-019-10212-1

https://www.nature.com/articles/s41467-019-10212-1