尽管研究人员在使用作为研究的一部分收集的高质量脑成像测试来检测阿尔茨海默氏病的迹象方面取得了长足进步，但马萨诸塞州总医院 (MGH) 的一个团队最近开发了一种准确的检测方法，该方法依赖于常规收集的临床脑图像。这一进步可能会导致更准确的诊断。

对于这项发表在 PLOS ONE 上的研究，MGH 系统生物学中心的研究员和马萨诸塞州阿尔茨海默病研究中心的研究员 Matthew Leming 博士和他的同事使用了深度学习——一种机器学习和人工使用大量数据和复杂算法来训练模型的智能。

在这种情况下，科学家们根据从 2019 年之前在 MGH 就诊的患有和未患有阿尔茨海默病的患者收集的脑磁共振图像 (MRI) 数据，开发了一种阿尔茨海默病检测模型。接下来，该小组在五个数据集上测试了该

模型-MGH 2019 年后，布莱根妇女医院 2019 年前后，以及外部系统 2019 年前后 – 看看它是否可以根据真实世界的临床数据准确检测阿尔茨海默病，无论医院和时间如何。

总体而言，该研究涉及来自 2,348 名有阿尔茨海默病风险的患者的 11,103 张图像和来自 8,456 名未患阿尔茨海默病的患者的 26,892 张图像。在所有五个数据集中，该模型检测阿尔茨海默病风险的准确率为 90.2%。

这项工作的主要创新之一是它能够检测阿尔茨海默病，而不管其他变量，如年龄。“阿尔茨海默氏病通常发生在老年人身上，因此深度学习模型通常难以检测出更罕见的早发病例，”Leming 说。“我们通过让深度学习模型对它发现与患者列出的年龄过度相关的大脑特征‘视而不见’来解决这个问题。”

Leming 指出，疾病检测（尤其是在现实环境中）的另一个常见挑战是处理与训练集截然不同的数据。例如，在通用电气制造的扫描仪的 MRI 上训练的深度学习模型可能无法识别在西门子制造的扫描仪上收集的 MRI。

该模型使用不确定性度量来确定患者数据是否与训练的数据差异太大，以至于无法做出成功的预测。

“这是为数不多的使用常规收集的大脑 MRI 图像来检测痴呆症的研究之一。虽然已经进行了大量从大脑 MRI 检测阿尔茨海默氏症的深度学习研究，但这项研究朝着在现实世界的临床环境中实际执行这一目标迈出了实质性的一步，而不是完美的实验室环境，”Leming 说。“我们的结果——具有跨站点、跨时间和跨人群的普遍性——为这种诊断技术的临床应用提供了强有力的案例。”

其他共同作者包括 Sudeshna Das 博士和 Hyungsoon Im 博士。

这项工作得到了国立卫生研究院和大韩民国贸易、工业和能源部资助的技术创新计划的支持，该计划通过与 MGH 的分包合同进行管理。

马萨诸塞州总医院成立于1811年，是哈佛医学院最早、规模最大的教学医院。Mass General Research Institute 开展了全美最大的以医院为基础的研究计划，每年的研究业务超过 10 亿美元，由 9,500 多名研究人员组成，在 30 多个研究所、中心和部门工作。