近年来，人工智能成为医疗领域当之无愧的“宠儿”。

   语音录入病历、医疗影像辅助诊断、药物研发、医疗机器人、个人健康大数据的智能分析……人工智能技术通过赋能各个场景，引发了医疗健康领域历史性的革命。

   与此同时，层出不穷的新研究也探索了人工智能技术在制药、分子结构以及生物蛋白质等方面的可能，不断拓展着人工智能技术的应用疆界。

   如今，在令全世界科学家棘手的疾病——阿尔茨海默病面前，人工智能技术凭借着在认知计算、机器学习以及深度学习等方面取得的突破，在该疾病的早期精准诊断与预测方面不断发力，力求探究大脑内的“隐秘角落”。

 

与时间赛跑

 

   其实，在健康老化与阿尔茨海默病之间有一个中间阶段——轻度认知功能障碍，这是一种常见于老年人群的认知障碍，大约有15%的轻度认知障碍会恶化为阿尔茨海默病。因此，早期诊断不仅可以预防疾病的恶化，还能让患者有更多的时间安排未来的生活。

   毕竟，对许多患有阿尔茨海默病的人而言，能够有尽可能多的时间参与个人决策是至关重要的。

   目前，医学界还没有单一的测试来诊断阿尔茨海默病，只能结合病史、检查、脑成像结果和实验室检查（比如血生化及计算机断层扫描、磁共振成像、单光子发射计算机断层扫描和正电子发射断层扫描等脑部扫描检查），再通过医生来分析患者病情。一般而言，完成阿尔茨海默病及相关疾病的诊断评价往往需要几个星期。

   如何能更快、更准确地预测或诊断出患有阿尔茨海默病的风险，成为科学家们探索的重要目标。

   尽管磁共振成像能在一定程度上揭示这种神经退行性病变的脑改变，并提示疾病的发展等信息，但由于阿尔茨海默病患者临床表现具有异质性，且磁共振成像在研究方法上存在局限性，因此，将磁共振成像研究成果应用于阿尔茨海默病的早期监测与诊断，仍然面临不小的挑战。

   随着图像识别、深度学习、神经网络等关键技术的突破，人工智能获得了前所未有的发展，这为阿尔茨海默病的精准治疗打开一扇大门。

   目前，科研界主要利用磁共振结构成像（sMRI）、功能磁共振成像（fMRI）、弥散张量成像（DTI）等基于磁共振成像基础上的神经影像单一或多模态数据，应用人工智能数理思维方法，进一步提高人工智能对医学脑图像复杂数据的分析能力，从而提升阿尔茨海默病诊断的评估效率。

   磁共振结构成像研究多是通过显示脑萎缩来评估阿尔茨海默病的分期与进展。早在2008年，来自伦敦大学的Stefan Klöppel等人便建立了根据阿尔茨海默病患者单个的磁共振成像扫描图来预测患者临床评分的连续性模型。该研究能将阿尔茨海默病患者与健康个体区分开来，分类准确度高达96%。

   2011年，希腊约阿尼纳大学计算机科学系教授Evanthia E.Tripoliti和该校材料科学与工程系教授Dimitrios I.Fotiadis等人提出从功能磁共振成像中提取信息来辅助阿尔茨海默病的诊断与分类，最终他们的实验结果显示，该方法对健康个体与阿尔茨海默病患者的分类准确度达88%。

   此外，能追踪脑白质纤维束变化的弥散张量成像，同样可以对阿尔茨海默病与轻度认知功能障碍进行分类。例如，北卡罗来纳大学教堂山分校放射学系Chong-Yaw Wee等人曾根据脑区的纤维数量作为特征，构建白质纤维连接网络，用于轻度认知功能障碍分类。结果发现，前额叶皮质、眶额皮质、顶叶和导叶区域的特征的分类性能最佳。

 

查找大脑里的蛛丝马迹

 

   伴随着大数据技术的快速发展，简单的机器学习方法已无法满足这种复杂疾病的需求，深度学习技术由此而被引入。

   作为机器学习研究中的一个新领域，深度学习的目的就是建立模仿人脑的神经网络。其神经网络的层数越多，可以处理的数据就更庞大，再加上长期的训练，就能达到更高的准确度。

   2016年，麦克马斯特大学电子与计算机工程系教授Saman Sarraf与瑞尔森大学电子和计算机工程系Ghassem Tofighi使用卷积神经网络中著名的LeNet-5框架结构将阿尔茨海默病的功能磁共振成像和磁共振结构成像数据进行训练，分别获得了98.84%和96.85%的诊断准确率。

   这是首次将功能磁共振成像数据用于训练基于深度学习的网络模型。与之前Tripoliti等人的方法相比，该方法显著提高了准确度，凸显出深度学习的优势。

   去年5月，来自加州大学戴维斯分校和旧金山分校的研究人员表示，他们已经找到了训练计算机精确检测人类大脑组织中阿尔茨海默病的生物标志物的方法，该研究发表在《自然—通讯》上。

   在这项研究中，研究团队尝试是否可以教一台计算机自动识别和分析微小淀粉样蛋白斑块以及各种类型的大片尸检人脑组织。其中，淀粉样斑块是阿尔茨海默病患者大脑中蛋白质碎片的团块，可破坏神经细胞的连接。

   为此，研究团队设计了一个旨在识别基于数千个人类标记示例模式的“卷积神经网络”。为了创建足够的训练样例来教授卷积神经网络算法，研究团队专门设计了一种方法，允许其快速注释或标记来自50万个特写图像的数万张图像、来自43个健康和患病大脑样本的组织。

   研究结果表明，他们的算法可以处理整个脑片切片，准确率为98.7%，速度仅受他们使用的计算机处理器数量的限制。

   除了在精准诊断阿尔茨海默病方面，人工智能技术“大显身手”外，在预测轻度认知功能障碍向阿尔茨海默病转化方面，人工智能技术也取得了一些值得关注的进展。

   2019年2月，发表在Radiology杂志上的一项新研究指出，将神经影像学与机器学习相结合，可以预测患者在首次出现记忆障碍时是否会患上阿尔茨海默病（这是对其进行干预的最佳时机），并最终成功使诊断时间比常规方法提前了近6年。

   在该研究中，来自加州大学旧金山分校的Jae Ho Sohn博士及其同事收集了来自阿尔茨海默病神经影像学计划（ADNI）的一些图像来训练深度学习算法。ADNI是一个来自阿尔茨海默病患者、轻度认知障碍患者或无障碍患者的庞大的公共正电子发射断层扫描（PET）数据集。

   “我们对这项算法的表现非常满意。它能在阿尔茨海默病确诊之前提前预测每一起病例。”Sohn坦言。不过，他也指出，这项研究规模并不大，而且这些发现还需要验证。在未来，这种算法可以作为放射科医生的有力补充，并为早期治疗阿尔茨海默病提供机会。

 

未来仍可期

 

   在寻觅夕阳红“杀手”踪迹的过程中，人工智能技术的确发挥了不容小觑的潜力。然而，在快速、精准预测或诊断患有阿尔茨海默病风险的道路上，仍有不少瓶颈等待突破。

   当下，此类“研究的样本量太小，无法评估这类用途的可靠性。”瑞士理工大学苏黎世分校的生物医学图像计算助理教授Ender Konukoglu就曾明确指出。更大的队列研究可能更有说服力，“但在那之前，很难谈论一些方法的临床适用性”。

   来自阿姆斯特丹自由大学医学中心放射科和核医学系的高级研究员Alle Meije Wink对此表示赞同，他认为，提高精确度的一种方法就是使用更大的数据集。

   不仅如此，多数研究仍局限于单一模态，多模态信息并未得到充分利用，这可能是目前研究准确度偏低的原因之一。

   从方法学层面来说，尽管深度学习方法在阿尔茨海默病研究中炙手可热，但现阶段多处于理论阶段，想要应用于临床还有很长一段路要走。

   诚然，未来的发展总是以过去的事件和经验为基础，阿尔茨海默病的研究亦是如此。

   随着大量、完整的数据库和算法的发展与精进，人工智能技术有望不断突破现有瓶颈，在阿尔茨海默病研究方面取得更多令人激动的成果，并使成功地管理甚至预防这种可怕疾病的潜力变成现实。

《科学新闻》 (科学新闻2020年10月刊 破局)