研究人員在11月6日的《放射學》雜志上報道說，使用來自1,000多名阿爾茨海默氏病(AD)患者的影像數據開發的深度學習算法，可以在醫生最終確定診斷結果的六年后準確預測AD的存在。

加利福尼亞大學舊金山分校的資深作者本杰明·弗朗克(Benjamin L. Franc)醫學博士及其同事在該雜志上寫道，雖然全球公認的是，及時診斷與阿爾茨海默氏病患者的預后有關，但是醫生幾乎沒有早期發現疾病的工具。 。但是，在過去的十年中，人工智能迅速崛起，并具有通過單擊按鈕來處理大量成像數據的能力。

Franc等人說：“人們廣泛認識到，深度學習可能有助于解決日益增加的復雜性和成像數據量，以及受過訓練的成像醫師的不同專長。”說過。“盡管已經開發和驗證了整合到臨床流程中的能力，但人們已經做出了巨大的努力，將深度學習應用于許多疾病和影像類型，例如，通過乳腺X光檢查進行乳腺癌檢測，通過CT進行肺結節檢測以及通過放射照相進行髖部骨關節炎分類。

“機器學習技術在復雜的發現模式中的應用，例如在大腦功能性PET成像中發現的模式，才剛剛開始探索。”

Franc的UCSF團隊和加利福尼亞大學伯克利分校的研究人員訓練了一種AI算法，該算法使用了2109個獨立的氟18-氟脫氧葡萄糖(F-FDG)PET研究數據庫來預測AD的發病，該研究在2005年至2017年之間登錄了阿爾茨海默氏病神經成像計劃該算法使用了90%的數據集進行了訓練，并在剩余的10%上進行了測試。

研究人員還運行了一個獨立的測試集，其中包括40位來自該算法從未研究過的患者的F-FDG PET檢查。在該分析中，在對AD進行最終診斷之前，該工具平均75.8個月(6.3年)達到了82%的特異性和100%的敏感性。

“此外，在預測獨立測試裝置上AD的最終診斷時，它在接收器工作特性空間中的表現優于三臺放射學閱讀器，具有統計學意義，” Franc等人。寫道。“通過對更大，更多樣化的數據集進行進一步的驗證，該算法可能能夠增強放射科醫生閱讀器的性能并改善對AD診斷的預測，從而為早期干預提供機會。”

研究小組表示，他們的研究結果將有助于在所有癥狀出現之前識別出阿爾茨海默氏癥，從而導致大腦容量的損失如此之大，以至于無法干預。他們說，他們下一步計劃訓練深度學習算法，以識別AD特有的其他生物標志物，例如β-淀粉樣蛋白和tau蛋白的積累，異常的蛋白團塊和大腦中的“纏結”。

Franc及其同事目前表示，他們的新方法可以與其他生化和影像學檢查結合使用，以對阿爾茨海默氏病患者進行早期治療干預。

“隨著對多機構數據和模型校準的進一步大規模外部驗證，該算法可以集成到臨床工作流程中，并作為重要的決策支持工具，以幫助放射學讀者和臨床醫生從F-FDG PET中早期預測AD成像研究”，他們寫道。