人工智能可以极大地扩大阿尔茨海默氏症的研究范围

机器学习工具使病理学家的工作自动化，以识别疾病标记。加州大学戴维斯分校和旧金山加州大学的研究人员找到了一种方法，可以教计算机精确检测人脑组织中阿尔茨海默氏病的标志之一，从而为机器学习方法的概念验证提供了证据，该方法能够使阿尔茨海默氏症的关键组成部分自动化研究。

淀粉样蛋白斑块是阿尔茨海默氏病患者大脑中的一系列蛋白质片段，会破坏神经细胞的连接。就像Facebook根据捕获的图像识别面部的方式一样，由加利福尼亚大学的科学家团队开发的机器学习工具可以“查看”脑组织样本中是否具有一种或多种淀粉样斑块，并且可以非常快地完成。

新的AI算法能够有效地自动分类阿尔茨海默氏病患者死后大脑中的淀粉样斑块和血管异常。图片来源：Keizer / Dugger实验室。

发表在《自然通讯》上的研究结果 表明，机器学习可以增强专家神经病理学家的专业知识和分析能力。该工具使他们能够分析成千上万次的数据，并提出新的问题，即使是训练有素的人类专家也无法使用有限的数据处理能力。

“我们仍然需要病理学家，”该研究的主要作者，加州大学戴维斯分校加州大学戴维斯分校病理学和检验医学系助理教授布列塔尼·N·杜格博士说。“这是一个工具，就像键盘一样用于书写。由于键盘有助于编写工作流程，因此将数字病理学与机器学习相结合可以帮助神经病理学工作流程。”

在这项研究中，Dugger和 UCSF神经退行性疾病研究所 和 药物化学系的助理教授Michael J. Keizer博士 确定，他们是否可以教计算机自动完成识别和分析各种微小淀粉样蛋白斑块的繁琐过程。解剖人体大脑组织的大片中的类型。为此，Keizer和他的团队设计了一个“卷积神经网络”(CNN)，这是一种计算机程序，旨在根据数千个带有人类标签的示例来识别模式。

为了创建足够的训练示例来教授CNN算法，Dugger如何分析大脑组织，UCSF团队与她一起设计了一种方法，该方法可以使她从50万张近距离拍摄的近距离图像中快速注释或标记成千上万张图像。 43个健康和患病的大脑样本中的组织。

就像允许用户向左或向右滑动以将某人的照片标记为“热”或“不”的计算机约会服务一样，他们开发了一个网络平台，该平台允许Dugger一次查看高度放大的潜在区域并迅速贴上她在那看到的东西。这种数字病理工具(研究人员称其为“是否有斑点”)使Dugger可以以每小时约2,000张图像的速度注释超过70,000个“斑点”或斑块候选者。

UCSF团队使用这个包含成千上万个标记示例图像的数据库来训练其CNN机器学习算法，以识别在阿尔茨海默氏病中发现的不同类型的大脑变化。这包括区分所谓的核心斑块和弥散斑块，以及识别血管异常。研究人员表明，他们的算法可以以98.7%的精度处理整个全脑切片幻灯片，而速度仅受所用计算机处理器数量的限制。(在当前的研究中，他们使用了单个图形卡，就像家庭游戏玩家所使用的那样。)

然后，该团队对计算机的识别能力进行了严格的测试，以确保其分析具有生物学有效性。

“众所周知，很难知道机器学习算法实际上是在做什么，但是我们可以打开黑匣子，要求它向我们展示为什么要做出预测，” Keizer解释说。

Keizer强调说，机器学习工具在识别斑块方面并不比训练计算机首先找到它们的神经病理学家Dugger更好。

他说：“但是它不知疲倦且可扩展。” “这是一个副驾驶员，是一个乘数乘数，它扩展了我们可以完成的范围，并让我们提出从未尝试过的问题。例如，我们可以在意想不到的地方寻找罕见的斑块，这些斑块可以为我们提供有关疾病进程的重要线索。

为了促进该工具的使用，研究人员已使其在线上公开了研究数据。这已经与其他研究人员进行了互动，这些研究人员在自己的实验室中评估了数据和算法。将来，研究人员希望这种算法将成为神经病理学研究的标准部分，受过训练，可以帮助科学家分析大量数据，孜孜不倦地寻找可能对疾病的病因和潜在治疗方法产生新见解的模式。

Dugger说：“如果我们能够更好地描述所见事物的特征，则可以为痴呆症的多样性提供进一步的见解。” “它为痴呆症的精准医学打开了大门。”

她补充说：“这些项目是跨学科翻译科学的杰出例子;神经病理学家，统计学家，临床医生和工程师们齐聚一堂，形成对话，并共同解决问题。”

标签： 阿尔茨海默氏症