根据发表在Radiology杂志上的一项研究，人工智能(AI)技术提高了脑成像预测阿尔茨海默病的能力。

及时诊断阿尔茨海默病非常重要，因为治疗和干预措施在疾病早期更有效。然而，早期诊断已证明具有挑战性。研究已将疾病过程与代谢变化联系起来，如大脑某些区域的葡萄糖摄取所示，但这些变化可能难以识别。

“大脑中葡萄糖摄取模式的差异是非常微妙和分散的，”该研究的共同作者，加州大学旧金山分校(UCSF)放射与生物医学影像部门的Jae Ho Sohn博士表示。“人们善于发现疾病的特定生物标志物，但代谢变化代表了一个更加全球化和微妙的过程。”

该研究的资深作者，来自加州大学旧金山分校的Benjamin Franc医学博士通过放射学大数据研究小组(一个专注于放射学的多学科医学和工程师团队)与Sohn博士和加州大学伯克利分校的本科生丁一鸣进行了接触。数据科学。Franc博士有兴趣应用深度学习，这是一种人工智能，其中机器像人类一样通过实例学习，以发现预测阿尔茨海默病的大脑新陈代谢的变化。

研究人员使用称为18-F-氟脱氧葡萄糖正电子发射断层扫描(FDG-PET)的特殊成像技术训练深度学习算法。在FDG-PET扫描中，将放射性葡萄糖化合物FDG注入血液中。然后，PET扫描可以测量脑细胞中FDG的摄取，这是代谢活动的指标。

研究人员可以获得阿尔茨海默病神经影像学计划(ADNI)的数据，这是一项主要的多地点研究，重点是临床试验，以改善这种疾病的预防和治疗。ADNI数据集包括来自1,002名患者的2,100多个FDG-PET脑图像。研究人员在90%的数据集上训练深度学习算法，然后在剩余的10%数据集上进行测试。通过深度学习，该算法能够教授自己与阿尔茨海默病相对应的代谢模式。

最后，研究人员在一项独立的40个成像检查中测试了该算法，该检查来自40名从未研究过的患者。该算法在最终诊断前平均超过六年检测到疾病时达到了100%的灵敏度。

“我们对算法的性能非常满意，”Sohn博士说。“它能够预测每一例发展为阿尔茨海默病的病例。”

虽然他告诫他们的独立测试集很小，需要通过更大规模的多机构前瞻性研究进一步验证，Sohn博士说，该算法可以成为补充放射科医师工作的有用工具 - 特别是与其他生物化学和成像测试 - 为早期治疗干预提供机会。

“如果我们在出现所有症状时诊断出阿尔茨海默病，那么大脑体积减少就会非常严重，以至于无法进行干预，”他说。“如果我们能够及早发现它，研究人员就有机会找到减缓甚至停止疾病过程的更好方法。”

根据加州大学旧金山分校的Youngho Seo博士的说法，未来的研究方向包括训练深度学习算法以寻找与β-淀粉样蛋白和tau蛋白积累相关的模式，大脑中异常的蛋白质团块和缠结，这些都是阿尔茨海默病的特异性标志物。曾担任该研究的指导顾问之一。

“如果早期使用带有AI的FDG-PET可以预测阿尔茨海默病，那么β-淀粉样蛋白斑块和tau蛋白PET成像可能会增加另一个重要的预测能力，”他说。