阿尔茨海默病诊断人工智能的未来

阿尔茨海默病 (AD) 是导致死亡的主要原因，但目前尚无改善疾病的药物疗法。在临床系统发作之前建立 AD 诊断至关重要，这样药物治疗才能更早开始。不幸的是，这不是当前的标准做法。人工智能 (AI) 在识别大脑扫描图像中与 AD 相关的结构变化方面具有巨大的前景。本文讨论了人工智能在 AD 诊断中的最新应用和潜在的未来方向。鼓励每年进行一次脑部扫描和计算机视觉辅助的早期诊断，以便疾病修饰药物治疗可以在进行性病理早期开始。

关键词

人工智能,卷积神经网络,疾病检测,神经退化,阿尔茨海默病

一、简介

各个领域的快速技术进步最近迎来了生物医学革命。现代生命科学家现在依靠跨学科方法来解决以前不可能的问题。人工智能是最有前途的尖端工具之一，正在完善用于临床应用，特别是用于诊断应用。在最近发表的文章“用于阿尔茨海默病图像数据分类的深度卷积神经网络与集成学习和生成对抗网络”中，作者全面概述了将人工智能 (AI) 纳入阿尔茨海默病 (AD) 的策略和益处从磁共振成像 (MRI) 中检测，以便在确定疾病存在时达到极高的准确度和精确度 [ 1] .

生物医学数据正在以前所未有的速度生成。生物医学科学家和临床医生都需要使用高性能计算、生物信息学和云存储，以有意义的方式高效、准确地分析这些数据。处理大型数据集的现代问题需要人工智能的现代解决方案，特别是利用人工智能的深度学习子学科。围绕人工智能（包括机器学习和深度学习）的普遍兴趣在最近的历史中经历了飞速发展，因为它在彻底改变医疗保健方面的前景 [ 2 ]。然而，已经澄清“人工智能不会取代放射科医师，但使用人工智能的放射科医师将取代不使用人工智能的放射科医师”[ 3 ]。

迫切需要为患有神经退行性疾病的人建立早期诊断。到做出诊断时，中枢神经系统的损伤程度已经无法修复。已经反复表明，对抗神经退行性变的最佳防御是早期进攻，这只有通过早期诊断才能实现 [ 4 ]。由于 AD 在人群中发生的范围很广，AD 的巨大社会负担以及 AD 的无症状临床前期较长，因此早期诊断对于扭转该疾病的趋势至关重要 [ 5 ]。

目前，除了混合蛋白病的组织病理学存在外，还通过认知和记忆缺陷的临床表现来确定 AD 诊断。AD 诊断所必需的生物标志物包括β-淀粉样蛋白斑块和由过度磷酸化 tau 组成的神经原纤维缠结 [ 6 ] [ 7 ]。通过成像、血液或脑脊液 (CSF) 分析结合组织学标志物，有助于明确区分轻度认知障碍 (MCI)、AD 的不同阶段或其他形式的痴呆，例如路易体痴呆或额颞叶痴呆 [ 8 ] [ 9 ] [ 10 ]。

无创或微创成像已成为 AD 诊断发展的宝贵资产。例如，β-淀粉样蛋白斑块的 PET 扫描需要注射专门的放射性标记示踪剂，例如 florbetapir [ 11 ]。已证明用于 AD 诊断的 PET 扫描具有至少 96% 的敏感性和 100% 的特异性，即使对于较轻的疾病形式 [ 7] . 尽管多年来获得 FDA 批准并提供高诊断准确性，但由于高成本和患者对使用放射性标记示踪剂的担忧，PET 成像尚未成为标准的临床实践。然而，MRI 扫描仅使用磁铁和无线电波进行成像。因此，MRI 不像计算机断层扫描 (CT) 那样使用 X 射线，也不像 PET 扫描那样使用放射性标记示踪剂。然而，对于一些不能暴露于强磁波的患者，例如那些有心脏起搏器或动脉瘤夹的患者，MRI 是不切实际的。MRI 可以准确检测AD 患者的皮质萎缩模式、心室扩大、β-淀粉样蛋白斑块和神经原纤维缠结的存在和密度 [ 12 ] [ 13] . 此外，与用于脑脊液收集的腰椎穿刺相比，脑成像提供了一种侵入性较小的组织病理学分析替代方法。作者认为，常规脑成像应该成为常规医疗保健的一部分，就像乳房 X 光检查和前列腺癌检查已经成为一样（图 1）。但是，应在医生的指导下建立对模式类型和脑部扫描频率的风险/收益分析，以减少任何不必要的辐射暴露。最后，为了使脑成像成为常规筛查的一部分，还需要建立图像解释的标准化。这就是深度学习变得有价值的地方。

2. 卷积神经网络

卷积神经网络 (CNN) 是一种广泛使用的用于图像分类的计算机视觉工具。简而言之，CNN 接收图像输入（例如 MRI）来创建输入层，然后输入卷积层，然后是池化层。CNN 中可能有许多卷积和池化层，用于在网络的早期阶段提取低级图像信息并降低维数，直到根据权重和偏差提取和学习图像的高级最终细节。最后，建立了一个完全连接的层网络。对 CNN 架构至关重要的是内核，它提供可学习性并生成特征图。然后通过非线性激活函数（例如逻辑或双曲正切函数）发送最终输出。CNN 的一个好处是它能够快速学习 MRI 的相关特征和模式，而无需对重要特征及其手动提取进行展平或先验知识。此外，CNN 能够进行深度多分类分析，以区分认知正常 (CN)、轻度认知障碍 (MCI) 或 AD 的患者。14 ]。常用的 GoogLeNet、ResNet-18 和 ResNet-152 CNN 架构已被证明在对患者 MRI 数据的 CN、MCI、晚期 MCI 和 AD 进行分类时具有超过 98% 的准确率 [ 15 ] [ 16 ]。

图 1。建立早期 AD 诊断的建议策略。

3. 生成对抗网络

生成对抗网络 (GAN) 由一个生成神经网络与一个判别神经网络配对组成，两个网络相互对抗。生成网络的作用是根据先验输入生成示例图像。鉴别器的作用是评估生成网络的输出，以查看示例图像是否与训练中使用的图像匹配良好。在整个过程中，生成神经网络学习构建更好的匹配图像，直到判别器得到满足。GAN 通常用于图像数据增强，这有利于基于图像的 AD 诊断。例如，GAN 可用于帮助增强 MRI 图像或实际预测整个大脑的结构变化。所以，GAN 在建立 AD 诊断中发挥关键作用具有巨大的潜力。磁体强度的变化会影响 MRI 图像的质量。常见的质量分类包括基本质量 1.5-T 和卓越的 3-T 扫描。3-T 图像将 1.5-T 的信噪比降低了一半。GAN 已被用于获取 1.5-T 质量的输入图像并将其转换为 3-T 质量的图像，从而导致更好的 AD 分类 [17 ] 。多模式评估，例如结合 MRI 和 PET 扫描，可以比单独的单一模型评估提高诊断的准确性。然而，PET 图像并不总是可用的。最近的研究表明，GAN 可用于构建 PET 扫描，以补充来自同一患者的高精度 MRI 扫描 [ 18 ]。

4. 集成学习

集成学习 (EL) 同时使用多种学习算法来完成相同的图像识别任务。EL 比单独的学习算法产生更好的预测质量，因为可以组合多个结果，因此在其标题中使用了“集成”一词。EL 倾向于导致更高的准确度、更低的偏差误差、更低的方差误差，并避免过度拟合。因此，当感兴趣的单个学习算法过度拟合数据时，它很有用。EL 最近已被用于将患者脑部 PET 图像数据分类为 CN 或 AD（91% 准确度）和轻度 MCI 或严重 MCI（86% 准确度）[ 19] . DTE 是一种更近期的新型 EL 模型，基于 ADNI 数据集 [ 20 ] ，它能够实现 99.09% 的 CN 和 AD 区分准确率和 98.71% 的 MCI 和 AD 区分准确率。最近开发的另一个名为 DELearning 的 EL 工具将多层深度学习与 EL 相结合，以比其他六种流行的 EL 方法（包括 AdaBoost、Bagging、LogitBoost、随机森林、堆叠和投票）更精确、召回、准确和 F1 测量分数对 AD 进行分类 [ 21 ] . 此外，最近在用于多模态图像分类的 EL 算法中使用了一堆 GoogleLeNet、ResNet 和 DenseNet CNN [ 22] . 然后将 MRI 和 PET 图像与 AdaBoost 相结合，识别 CN 与 AD 的准确率为 99.27%，识别 AD 与 MCI 的准确率为 92.57%，识别 MCI 与 CN 患者的准确率为 90.35% [ 22 ]。

5. 结论

Logan 及其同事为中枢神经系统 (CNS) 变化的常规计算机视觉辅助评估提供了一个令人信服的论据，这些变化表明在临床症状出现之前就出现了神经退行性变 [ 1 ]。与前列腺癌、乳腺癌或高血压的常规筛查同义，借助深度学习算法解释的常规脑成像对于建立 AD 的早期诊断和更有效的治疗是必要的。深度学习在彻底改变医疗保健实践方面似乎很有希望，但它仍有一些成熟的工作要做。例如，当人工智能应用于临床基于胸片和 CT 扫描诊断 COVID-19 时，它惨遭失败 [ 23] . 为了推进人工智能在诊断方面的事业，需要更好的训练数据集，需要外部验证，并且需要更高质量的公开文档以促进可重复性 [ 23 ]。尽管让 AI 成功进入临床最初经历了成长的痛苦，但这些努力是值得的。放射学深度学习的新曙光以及它给医生、科学家和患者家属带来的希望很快就会破灭。

参考

[ 1 ] 洛根，R.，等人。(2021) 具有集成学习和生成对抗网络的深度卷积神经网络用于阿尔茨海默病图像数据分类。衰老神经科学前沿，13，文章 ID：720226。

[ 2 ] Reardon, S. (2019) 机器人放射科医生的崛起。自然，576，S54-S58。

[ 3 ] Langlotz, CP (2019) 人工智能会取代放射科医生吗？放射学：人工智能，1，e190058。

[ 4 ] van Oostveen, WM 和 de Lange, ECM (2021) 阿尔茨海默病中的成像技术：早期诊断和纵向监测应用回顾。国际分子科学杂志，22，第 2110 号