Nature子刊：人工智慧新技能get，精準識別阿爾茨海默症的疾病標記物

澱粉樣斑塊是阿爾茨海默症患者大腦中蛋白質碎片的團塊，可以破壞神經細胞連接。為了能夠像Facebook根據已捕捉到的圖像來識別人臉一樣識別蛋白質碎片，加州大學戴維斯分校(UC Davis)和加州大學舊金山分校(UC San Francisco)的科學家團隊合作開發了機器學習工具，用以快速「看到」腦組織樣本中是否存在澱粉樣斑塊。

https://doi.org/10.1038/s41467-019-10212-1

這項於5月15日發表在《Nature Communications》雜誌上的研究結果表明，機器學習可以增強神經病理學家的專業知識和分析能力，幫助分析海量數據，並提出新的問題。即使是訓練有素的人類專家，在有限的數據處理能力下也不可能提出這些問題。

Brittany Dugger

「當然，我們仍然需要病理學家，」研究的主要作者、加州大學戴維斯分校病理學和檢驗醫學系助理教授Brittany N. Dugger博士說，「這是一個工具，就像鍵盤是用來打字一樣。數字病理學與機器學習相結合可以幫助改善神經病理學工作流程。」

在這項最新研究中，Dugger與加州大學舊金山分校神經退行性疾病研究所和藥物化學系助理教授Michael J. Keizer博士合作，開發了一種名為「卷積神經網路」(CNN)的計算機程序，旨在確定是否可以讓計算機自動識別和分析人類大腦組織中的澱粉樣斑塊。

Michael J. Keizer

為了創建足夠的訓練樣例來讓CNN演算法學習Dugger教授是如何分析腦組織的，研究人員想出一個方法，讓Dugger教授迅速注釋或標記來自43個健康和患病大腦樣本組織的50萬張特寫圖像，作為演算法學習的樣例。

同時，他們還開發了一個網路平台，讓Dugger教授可以一次只看一個高度放大的潛在斑塊區域並迅速標記。這一數字病理學的新工具被稱為「blob or not」，它可以允許Dugger教授以每小時約2000張的速度注釋超過70000個「blobs」或候選斑塊。

機器學習工具可準確檢測疾病標記

UCSF團隊使用包含數以萬計的標記示例圖像的資料庫來訓練他們的CNN機器學習演算法，用以識別阿爾茨海默病中出現的不同類型的大腦變化，並且區分所謂的核心和瀰漫性斑塊以及識別血管異常。

新的AI演算法能夠有效地自動化分類阿爾茨海默病患者死後腦中的澱粉樣斑塊和血管異常。圖片來源：Keiser / Dugger實驗室。

研究人員表示，他們的演算法可以保證98.7%的準確率來處理整個大腦切片，速度僅受所用計算機處理器數量的限制。(在目前的研究中，他們使用的是與家庭遊戲玩家類似的單一顯卡。)

隨後，研究小組對計算機的識別能力進行了嚴格的測試，以確保其分析在生物學有效性。

Keiser解釋說，「眾所周知，要想知道機器學習演算法在幕後究竟在做什麼是非常困難的，但是我們可以打開黑匣子，讓它向我們展示它為什麼做出預測。」他強調，機器學習工具在識別斑塊方面並不比人類專家更擅長，但它不知疲倦，且可擴展我們的範圍。例如，我們可以在意想不到的地方尋找罕見的斑塊，這些斑塊可以為我們了解疾病的進程提供重要的線索。

為了推廣該工具的使用，研究人員將其和研究數據公布在網上。其他研究人員可以互動，在自己的實驗室里評估了該數據和演算法。

未來，研究人員希望，這樣的演算法將成為神經病理學研究的標準部分，訓練有素地幫助科學家分析大量數據並不知疲倦地尋找模式，以開啟對疾病原因和潛在治療的新見解，為阿爾茨海默症的精準治療打開一扇大門。

End

參考資料：

[1] Artificial intelligence tool vastly scales up Alzheimer"s research

本文系生物探索原創，歡迎個人轉發分享。其他任何媒體、網站如需轉載，須在正文前註明來源生物探索。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！