马萨诸塞大学阿默斯特分校研究团队获NIH拨款，利用深度学习开发阿尔茨海默病早期预测模型

马萨诸塞大学阿默斯特分校的研究人员获得了一项为期两年、总额为278,118美元的国立卫生研究院（NIH）拨款，用于开发利用临床数据（包括在实际情境中获取的脑部MRI图像）进行早期预测阿尔茨海默病的新型深度学习模型。

该研究的最终目标是通过MRI数据实现对阿尔茨海默病的更早期检测，理想情况下是在症状发作前两年或更长时间，同时识别处于患病风险的患者群体，以便研究人员可以测试中断疾病进程的干预措施和药物。为了创建这些预测模型，研究人员将使用多模式临床数据，包括脑部MRI图像。

马萨诸塞大学信息与计算机科学学院的助理教授兼研究项目负责人Madalina（Ina）Fiterau博士表示：“这项研究使我们更接近将人们放入临床试验的时机，那时大脑生物学仍然完好，并且可以采取措施。”她指出：“在诊断时，患者的大脑物质已经减少60％，而在那个阶段已经无法挽回。我们希望能够尽早发现这些变化，至少在发病前两年，然后根据这一发现确定哪些治疗方法有效。”

研究的另一位主要研究者Joyita Dutta博士，生物医学工程副教授，表示：“三年前我们可能无法说到这一步，但现在许多新的药物候选品正在涌现，我们正处于可以使用预测技术来识别潜在受试者以进行疾病修饰疗法的阶段。”

之前的研究旨在使用阿尔茨海默病神经影像学倡议（ADNI）的数据创建用于预测退行性疾病的深度学习模型。然而，这对于使研究结果具有普遍适用性构成了挑战，因为这些基于ADNI的模型使用经过工程处理的数据。例如，其他研究使用软件提取平均皮层厚度，而不是包含实际大脑皮层图像。

Fiterau解释说：“ADNI包含从大脑图像中提取的大量专业特征，这需要大量的特征工程和领域专业知识。”她说：“在野外收集的数据不会具有这些专业特征。你将拥有MRI扫描，但没有注释。”她指出：“这项拨款的目的是弄清楚如何将在专业精心策划的数据集上训练的模型应用于在野外收集的真实数据，以及在这种情况下模型的性能如何。”

这项研究的重要性在于它使预测算法能够使用标准MRI而不需要专业数据，Dutta指出：“我在我的研究中广泛使用PET扫描，但并非每个诊所都收集阿尔茨海默病患者的PET图像。”她说：“同时，MRI往往是神经症状患者的首选成像模式。然而，临床可用的MRI扫描通常是使用不同于ADNI的协议进行的。因此，预测模型需要对‘野外收集的数据’具有普遍适用性，以便在实际中发挥作用。”

研究团队将使用深度学习从标准脑部MRI中提取特征，这些特征可以代替ADNI数据集中的专业特征。研究人员知道阿尔茨海默病影响的一些关键区域，如海马体、大脑皮层和充满液体的脑室腔，因此模型将被训练在这些区域上赋予更高的权重。

该研究还旨在克服ADNI数据中存在的模型偏见，即少数族裔的代表不足和高度受教育者的过度代表。在该数据集中，93％的参与者是白人，61％的受教育程度为16年或更多（美国平均为14年）。

编辑：周敏

排版：李丽