近年來，人工智能成為醫(yī)療領(lǐng)域當(dāng)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(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)界還沒有單一的測(cè)試來診斷阿爾茨海默病，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(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)治療打開一扇大門。
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)成像研究多是通過顯示腦萎縮來評(píng)估阿爾茨海默病的分期與進(jìn)展。早在2008年，來自倫敦大學(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)分開來，分類準(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輔助阿爾茨海默病的診斷與分類，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。例如，北卡羅來納大學(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。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)練樣例來教授卷積神經(jīng)網(wǎng)絡(luò)算法，研究團(tuán)隊(duì)專門設(shè)計(jì)了一種方法，允許其快速注釋或標(biāo)記來自50萬個(gè)特寫圖像的數(shù)萬張圖像、來自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自阿爾茨海默病神經(jīng)影像學(xué)計(jì)劃（ADNI）的一些圖像來訓(xùn)練深度學(xué)習(xí)算法。ADNI是一個(gè)來自阿爾茨海默病患者、輕度認(rèn)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(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，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，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)。
未來仍可期
在尋覓夕陽紅“殺手”蹤跡的過程中，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“研究的樣本量太小，無法評(píng)估這類用途的可靠性。”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)列研究可能更有說服力，“但在那之前，很難談?wù)撘恍┓椒ǖ呐R床適用性”。
來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)層面來說，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，未來的發(fā)展總是以過去的事件和經(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)。