近年來，人工智能成為醫(yī)療領域當之無愧的“寵兒”。
語音錄入病歷、醫(yī)療影像輔助診斷、藥物研發(fā)、醫(yī)療機器人、個人健康大數據的智能分析……人工智能技術通過賦能各個場景，引發(fā)了醫(yī)療健康領域歷史性的革命。
與此同時，層出不窮的新研究也探索了人工智能技術在制藥、分子結構以及生物蛋白質等方面的可能，不斷拓展著人工智能技術的應用疆界。
如今，在令全世界科學家棘手的疾病——阿爾茨海默病面前，人工智能技術憑借著在認知計算、機器學習以及深度學習等方面取得的突破，在該疾病的早期精準診斷與預測方面不斷發(fā)力，力求探究大腦內的“隱秘角落”。
與時間賽跑
其實，在健康老化與阿爾茨海默病之間有一個中間階段——輕度認知功能障礙，這是一種常見于老年人群的認知障礙，大約有15%的輕度認知障礙會惡化為阿爾茨海默病。因此，早期診斷不僅可以預防疾病的惡化，還能讓患者有更多的時間安排未來的生活。
畢竟，對許多患有阿爾茨海默病的人而言，能夠有盡可能多的時間參與個人決策是至關重要的。
目前，醫(yī)學界還沒有單一的測試來診斷阿爾茨海默病，只能結合病史、檢查、腦成像結果和實驗室檢查（比如血生化及計算機斷層掃描、磁共振成像、單光子發(fā)射計算機斷層掃描和正電子發(fā)射斷層掃描等腦部掃描檢查），再通過醫(yī)生來分析患者病情。一般而言，完成阿爾茨海默病及相關疾病的診斷評價往往需要幾個星期。
如何能更快、更準確地預測或診斷出患有阿爾茨海默病的風險，成為科學家們探索的重要目標。
盡管磁共振成像能在一定程度上揭示這種神經退行性病變的腦改變，并提示疾病的發(fā)展等信息，但由于阿爾茨海默病患者臨床表現具有異質性，且磁共振成像在研究方法上存在局限性，因此，將磁共振成像研究成果應用于阿爾茨海默病的早期監(jiān)測與診斷，仍然面臨不小的挑戰(zhàn)。
隨著圖像識別、深度學習、神經網絡等關鍵技術的突破，人工智能獲得了前所未有的發(fā)展，這為阿爾茨海默病的精準治療打開一扇大門。
目前，科研界主要利用磁共振結構成像（sMRI）、功能磁共振成像（fMRI）、彌散張量成像（DTI）等基于磁共振成像基礎上的神經影像單一或多模態(tài)數據，應用人工智能數理思維方法，進一步提高人工智能對醫(yī)學腦圖像復雜數據的分析能力，從而提升阿爾茨海默病診斷的評估效率。
磁共振結構成像研究多是通過顯示腦萎縮來評估阿爾茨海默病的分期與進展。早在2008年，來自倫敦大學的Stefan Klöppel等人便建立了根據阿爾茨海默病患者單個的磁共振成像掃描圖來預測患者臨床評分的連續(xù)性模型。該研究能將阿爾茨海默病患者與健康個體區(qū)分開來，分類準確度高達96%。
2011年，希臘約阿尼納大學計算機科學系教授Evanthia E.Tripoliti和該校材料科學與工程系教授Dimitrios I.Fotiadis等人提出從功能磁共振成像中提取信息來輔助阿爾茨海默病的診斷與分類，最終他們的實驗結果顯示，該方法對健康個體與阿爾茨海默病患者的分類準確度達88%。
此外，能追蹤腦白質纖維束變化的彌散張量成像，同樣可以對阿爾茨海默病與輕度認知功能障礙進行分類。例如，北卡羅來納大學教堂山分校放射學系Chong-Yaw Wee等人曾根據腦區(qū)的纖維數量作為特征，構建白質纖維連接網絡，用于輕度認知功能障礙分類。結果發(fā)現，前額葉皮質、眶額皮質、頂葉和導葉區(qū)域的特征的分類性能最佳。
查找大腦里的蛛絲馬跡
伴隨著大數據技術的快速發(fā)展，簡單的機器學習方法已無法滿足這種復雜疾病的需求，深度學習技術由此而被引入。
作為機器學習研究中的一個新領域，深度學習的目的就是建立模仿人腦的神經網絡。其神經網絡的層數越多，可以處理的數據就更龐大，再加上長期的訓練，就能達到更高的準確度。
2016年，麥克馬斯特大學電子與計算機工程系教授Saman Sarraf與瑞爾森大學電子和計算機工程系Ghassem Tofighi使用卷積神經網絡中著名的LeNet-5框架結構將阿爾茨海默病的功能磁共振成像和磁共振結構成像數據進行訓練，分別獲得了98.84%和96.85%的診斷準確率。
這是首次將功能磁共振成像數據用于訓練基于深度學習的網絡模型。與之前Tripoliti等人的方法相比，該方法顯著提高了準確度，凸顯出深度學習的優(yōu)勢。
去年5月，來自加州大學戴維斯分校和舊金山分校的研究人員表示，他們已經找到了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的方法，該研究發(fā)表在《自然—通訊》上。
在這項研究中，研究團隊嘗試是否可以教一臺計算機自動識別和分析微小淀粉樣蛋白斑塊以及各種類型的大片尸檢人腦組織。其中，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。
為此，研究團隊設計了一個旨在識別基于數千個人類標記示例模式的“卷積神經網絡”。為了創(chuàng)建足夠的訓練樣例來教授卷積神經網絡算法，研究團隊專門設計了一種方法，允許其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。
研究結果表明，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。
除了在精準診斷阿爾茨海默病方面，人工智能技術“大顯身手”外，在預測輕度認知功能障礙向阿爾茨海默病轉化方面，人工智能技術也取得了一些值得關注的進展。
2019年2月，發(fā)表在Radiology雜志上的一項新研究指出，將神經影像學與機器學習相結合，可以預測患者在首次出現記憶障礙時是否會患上阿爾茨海默病（這是對其進行干預的最佳時機），并最終成功使診斷時間比常規(guī)方法提前了近6年。
在該研究中，來自加州大學舊金山分校的Jae Ho Sohn博士及其同事收集了來自阿爾茨海默病神經影像學計劃（ADNI）的一些圖像來訓練深度學習算法。ADNI是一個來自阿爾茨海默病患者、輕度認知障礙患者或無障礙患者的龐大的公共正電子發(fā)射斷層掃描（PET）數據集。
“我們對這項算法的表現非常滿意。它能在阿爾茨海默病確診之前提前預測每一起病例。”Sohn坦言。不過，他也指出，這項研究規(guī)模并不大，而且這些發(fā)現還需要驗證。在未來，這種算法可以作為放射科醫(yī)生的有力補充，并為早期治療阿爾茨海默病提供機會。
未來仍可期
在尋覓夕陽紅“殺手”蹤跡的過程中，人工智能技術的確發(fā)揮了不容小覷的潛力。然而，在快速、精準預測或診斷患有阿爾茨海默病風險的道路上，仍有不少瓶頸等待突破。
當下，此類“研究的樣本量太小，無法評估這類用途的可靠性。”瑞士理工大學蘇黎世分校的生物醫(yī)學圖像計算助理教授Ender Konukoglu就曾明確指出。更大的隊列研究可能更有說服力，“但在那之前，很難談論一些方法的臨床適用性”。
來自阿姆斯特丹自由大學醫(yī)學中心放射科和核醫(yī)學系的高級研究員Alle Meije Wink對此表示贊同，他認為，提高精確度的一種方法就是使用更大的數據集。
不僅如此，多數研究仍局限于單一模態(tài)，多模態(tài)信息并未得到充分利用，這可能是目前研究準確度偏低的原因之一。
從方法學層面來說，盡管深度學習方法在阿爾茨海默病研究中炙手可熱，但現階段多處于理論階段，想要應用于臨床還有很長一段路要走。
誠然，未來的發(fā)展總是以過去的事件和經驗為基礎，阿爾茨海默病的研究亦是如此。
隨著大量、完整的數據庫和算法的發(fā)展與精進，人工智能技術有望不斷突破現有瓶頸，在阿爾茨海默病研究方面取得更多令人激動的成果，并使成功地管理甚至預防這種可怕疾病的潛力變成現實。