近年來(lái)，人工智能成為醫(yī)療領(lǐng)域當(dāng)之無(wú)愧的“寵兒”。
語(yǔ)音錄入病歷、醫(yī)療影像輔助診斷、藥物研發(fā)、醫(yī)療機(jī)器人、個(gè)人健康大數(shù)據(jù)的智能分析……人工智能技術(shù)通過(guò)賦能各個(gè)場(chǎng)景，引發(fā)了醫(yī)療健康領(lǐng)域歷史性的革命。
與此同時(shí)，層出不窮的新研究也探索了人工智能技術(shù)在制藥、分子結(jié)構(gòu)以及生物蛋白質(zhì)等方面的可能，不斷拓展著人工智能技術(shù)的應(yīng)用疆界。
如今，在令全世界科學(xué)家棘手的疾病——阿爾茨海默病面前，人工智能技術(shù)憑借著在認(rèn)知計(jì)算、機(jī)器學(xué)習(xí)以及深度學(xué)習(xí)等方面取得的突破，在該疾病的早期精準(zhǔn)診斷與預(yù)測(cè)方面不斷發(fā)力，力求探究大腦內(nèi)的“隱秘角落”。
與時(shí)間賽跑
其實(shí)，在健康老化與阿爾茨海默病之間有一個(gè)中間階段——輕度認(rèn)知功能障礙，這是一種常見(jiàn)于老年人群的認(rèn)知障礙，大約有15%的輕度認(rèn)知障礙會(huì)惡化為阿爾茨海默病。因此，早期診斷不僅可以預(yù)防疾病的惡化，還能讓患者有更多的時(shí)間安排未來(lái)的生活。
畢竟，對(duì)許多患有阿爾茨海默病的人而言，能夠有盡可能多的時(shí)間參與個(gè)人決策是至關(guān)重要的。
目前，醫(yī)學(xué)界還沒(méi)有單一的測(cè)試來(lái)診斷阿爾茨海默病，只能結(jié)合病史、檢查、腦成像結(jié)果和實(shí)驗(yàn)室檢查（比如血生化及計(jì)算機(jī)斷層掃描、磁共振成像、單光子發(fā)射計(jì)算機(jī)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(guò)醫(yī)生來(lái)分析患者病情。一般而言，完成阿爾茨海默病及相關(guān)疾病的診斷評(píng)價(jià)往往需要幾個(gè)星期。
如何能更快、更準(zhǔn)確地預(yù)測(cè)或診斷出患有阿爾茨海默病的風(fēng)險(xiǎn)，成為科學(xué)家們探索的重要目標(biāo)。
盡管磁共振成像能在一定程度上揭示這種神經(jīng)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(xiàn)具有異質(zhì)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(yīng)用于阿爾茨海默病的早期監(jiān)測(cè)與診斷，仍然面臨不小的挑戰(zhàn)。
隨著圖像識(shí)別、深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等關(guān)鍵技術(shù)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(zhǔn)治療打開(kāi)一扇大門(mén)。
目前，科研界主要利用磁共振結(jié)構(gòu)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(chǔ)上的神經(jīng)影像單一或多模態(tài)數(shù)據(jù)，應(yīng)用人工智能數(shù)理思維方法，進(jìn)一步提高人工智能對(duì)醫(yī)學(xué)腦圖像復(fù)雜數(shù)據(jù)的分析能力，從而提升阿爾茨海默病診斷的評(píng)估效率。
磁共振結(jié)構(gòu)成像研究多是通過(guò)顯示腦萎縮來(lái)評(píng)估阿爾茨海默病的分期與進(jìn)展。早在2008年，來(lái)自倫敦大學(xué)的Stefan Klöppel等人便建立了根據(jù)阿爾茨海默病患者單個(gè)的磁共振成像掃描圖來(lái)預(yù)測(cè)患者臨床評(píng)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(gè)體區(qū)分開(kāi)來(lái)，分類(lèi)準(zhǔn)確度高達(dá)96%。
2011年，希臘約阿尼納大學(xué)計(jì)算機(jī)科學(xué)系教授Evanthia E.Tripoliti和該校材料科學(xué)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(lái)輔助阿爾茨海默病的診斷與分類(lèi)，最終他們的實(shí)驗(yàn)結(jié)果顯示，該方法對(duì)健康個(gè)體與阿爾茨海默病患者的分類(lèi)準(zhǔn)確度達(dá)88%。
此外，能追蹤腦白質(zhì)纖維束變化的彌散張量成像，同樣可以對(duì)阿爾茨海默病與輕度認(rèn)知功能障礙進(jìn)行分類(lèi)。例如，北卡羅來(lái)納大學(xué)教堂山分校放射學(xué)系Chong-Yaw Wee等人曾根據(jù)腦區(qū)的纖維數(shù)量作為特征，構(gòu)建白質(zhì)纖維連接網(wǎng)絡(luò)，用于輕度認(rèn)知功能障礙分類(lèi)。結(jié)果發(fā)現(xiàn)，前額葉皮質(zhì)、眶額皮質(zhì)、頂葉和導(dǎo)葉區(qū)域的特征的分類(lèi)性能最佳。
查找大腦里的蛛絲馬跡
伴隨著大數(shù)據(jù)技術(shù)的快速發(fā)展，簡(jiǎn)單的機(jī)器學(xué)習(xí)方法已無(wú)法滿足這種復(fù)雜疾病的需求，深度學(xué)習(xí)技術(shù)由此而被引入。
作為機(jī)器學(xué)習(xí)研究中的一個(gè)新領(lǐng)域，深度學(xué)習(xí)的目的就是建立模仿人腦的神經(jīng)網(wǎng)絡(luò)。其神經(jīng)網(wǎng)絡(luò)的層數(shù)越多，可以處理的數(shù)據(jù)就更龐大，再加上長(zhǎng)期的訓(xùn)練，就能達(dá)到更高的準(zhǔn)確度。
2016年，麥克馬斯特大學(xué)電子與計(jì)算機(jī)工程系教授Saman Sarraf與瑞爾森大學(xué)電子和計(jì)算機(jī)工程系Ghassem Tofighi使用卷積神經(jīng)網(wǎng)絡(luò)中著名的LeNet-5框架結(jié)構(gòu)將阿爾茨海默病的功能磁共振成像和磁共振結(jié)構(gòu)成像數(shù)據(jù)進(jìn)行訓(xùn)練，分別獲得了98.84%和96.85%的診斷準(zhǔn)確率。
這是首次將功能磁共振成像數(shù)據(jù)用于訓(xùn)練基于深度學(xué)習(xí)的網(wǎng)絡(luò)模型。與之前Tripoliti等人的方法相比，該方法顯著提高了準(zhǔn)確度，凸顯出深度學(xué)習(xí)的優(yōu)勢(shì)。
去年5月，來(lái)自加州大學(xué)戴維斯分校和舊金山分校的研究人員表示，他們已經(jīng)找到了訓(xùn)練計(jì)算機(jī)精確檢測(cè)人類(lèi)大腦組織中阿爾茨海默病的生物標(biāo)志物的方法，該研究發(fā)表在《自然—通訊》上。
在這項(xiàng)研究中，研究團(tuán)隊(duì)嘗試是否可以教一臺(tái)計(jì)算機(jī)自動(dòng)識(shí)別和分析微小淀粉樣蛋白斑塊以及各種類(lèi)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(zhì)碎片的團(tuán)塊，可破壞神經(jīng)細(xì)胞的連接。
為此，研究團(tuán)隊(duì)設(shè)計(jì)了一個(gè)旨在識(shí)別基于數(shù)千個(gè)人類(lèi)標(biāo)記示例模式的“卷積神經(jīng)網(wǎng)絡(luò)”。為了創(chuàng)建足夠的訓(xùn)練樣例來(lái)教授卷積神經(jīng)網(wǎng)絡(luò)算法，研究團(tuán)隊(duì)專(zhuān)門(mén)設(shè)計(jì)了一種方法，允許其快速注釋或標(biāo)記來(lái)自50萬(wàn)個(gè)特寫(xiě)圖像的數(shù)萬(wàn)張圖像、來(lái)自43個(gè)健康和患病大腦樣本的組織。
研究結(jié)果表明，他們的算法可以處理整個(gè)腦片切片，準(zhǔn)確率為98.7%，速度僅受他們使用的計(jì)算機(jī)處理器數(shù)量的限制。
除了在精準(zhǔn)診斷阿爾茨海默病方面，人工智能技術(shù)“大顯身手”外，在預(yù)測(cè)輕度認(rèn)知功能障礙向阿爾茨海默病轉(zhuǎn)化方面，人工智能技術(shù)也取得了一些值得關(guān)注的進(jìn)展。
2019年2月，發(fā)表在Radiology雜志上的一項(xiàng)新研究指出，將神經(jīng)影像學(xué)與機(jī)器學(xué)習(xí)相結(jié)合，可以預(yù)測(cè)患者在首次出現(xiàn)記憶障礙時(shí)是否會(huì)患上阿爾茨海默�。ㄟ@是對(duì)其進(jìn)行干預(yù)的最佳時(shí)機(jī)），并最終成功使診斷時(shí)間比常規(guī)方法提前了近6年。
在該研究中，來(lái)自加州大學(xué)舊金山分校的Jae Ho Sohn博士及其同事收集了來(lái)自阿爾茨海默病神經(jīng)影像學(xué)計(jì)劃（ADNI）的一些圖像來(lái)訓(xùn)練深度學(xué)習(xí)算法。ADNI是一個(gè)來(lái)自阿爾茨海默病患者、輕度認(rèn)知障礙患者或無(wú)障礙患者的龐大的公共正電子發(fā)射斷層掃描（PET）數(shù)據(jù)集。
“我們對(duì)這項(xiàng)算法的表現(xiàn)非常滿意。它能在阿爾茨海默病確診之前提前預(yù)測(cè)每一起病例。”Sohn坦言。不過(guò)，他也指出，這項(xiàng)研究規(guī)模并不大，而且這些發(fā)現(xiàn)還需要驗(yàn)證。在未來(lái)，這種算法可以作為放射科醫(yī)生的有力補(bǔ)充，并為早期治療阿爾茨海默病提供機(jī)會(huì)。
未來(lái)仍可期
在尋覓夕陽(yáng)紅“殺手”蹤跡的過(guò)程中，人工智能技術(shù)的確發(fā)揮了不容小覷的潛力。然而，在快速、精準(zhǔn)預(yù)測(cè)或診斷患有阿爾茨海默病風(fēng)險(xiǎn)的道路上，仍有不少瓶頸等待突破。
當(dāng)下，此類(lèi)“研究的樣本量太小，無(wú)法評(píng)估這類(lèi)用途的可靠性。”瑞士理工大學(xué)蘇黎世分校的生物醫(yī)學(xué)圖像計(jì)算助理教授Ender Konukoglu就曾明確指出。更大的隊(duì)列研究可能更有說(shuō)服力，“但在那之前，很難談?wù)撘恍┓椒ǖ呐R床適用性”。
來(lái)自阿姆斯特丹自由大學(xué)醫(yī)學(xué)中心放射科和核醫(yī)學(xué)系的高級(jí)研究員Alle Meije Wink對(duì)此表示贊同，他認(rèn)為，提高精確度的一種方法就是使用更大的數(shù)據(jù)集。
不僅如此，多數(shù)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(zhǔn)確度偏低的原因之一。
從方法學(xué)層面來(lái)說(shuō)，盡管深度學(xué)習(xí)方法在阿爾茨海默病研究中炙手可熱，但現(xiàn)階段多處于理論階段，想要應(yīng)用于臨床還有很長(zhǎng)一段路要走。
誠(chéng)然，未來(lái)的發(fā)展總是以過(guò)去的事件和經(jīng)驗(yàn)為基礎(chǔ)，阿爾茨海默病的研究亦是如此。
隨著大量、完整的數(shù)據(jù)庫(kù)和算法的發(fā)展與精進(jìn)，人工智能技術(shù)有望不斷突破現(xiàn)有瓶頸，在阿爾茨海默病研究方面取得更多令人激動(dòng)的成果，并使成功地管理甚至預(yù)防這種可怕疾病的潛力變成現(xiàn)實(shí)。