瑞蒂斯·马斯克里什纳斯教授，KTU信息学院
学分:考纳斯理工大学 立陶宛考纳斯大学的研究人员开发了一种基于深度学习的方法，可以从大脑图像中预测阿尔茨海默病的可能发作，准确率超过99%
该方法是在分析从138名受试者获得的功能性MRI图像的同时开发的，在准确性、敏感性和特异性方面比以前开发的方法表现得更好
根据世界卫生组织的数据，阿尔茨海默病是痴呆症最常见的原因，导致高达70%的痴呆症病例
全世界大约有2400万人受到影响，这一数字预计每20年翻一番
由于社会老龄化，该疾病将成为未来几年代价高昂的公共卫生负担
“全世界的医疗专业人员都试图提高对阿尔茨海默氏症早期诊断的认识，这为受影响者提供了更好的从治疗中获益的机会
这是为博士Modupe Odusami选择课题的最重要的问题之一
D
来自尼日利亚的学生，”瑞蒂斯·马斯克里什纳斯说，他是考纳斯理工大学(KTU)信息学系多媒体工程系的研究员，奥杜萨米博士
D
监督者
委托给机器的图像处理 可能的阿尔茨海默病的第一个迹象之一是轻度认知障碍(MCI)，这是正常衰老的预期认知下降和痴呆之间的阶段
根据马斯克里纳斯的说法，基于先前的研究，功能磁共振成像(fMRI)可用于识别大脑中可能与阿尔茨海默病发病相关的区域
轻度认知障碍的早期阶段通常几乎没有明确的症状，但在相当多的情况下可以通过神经影像学检查出来
然而，尽管理论上是可能的，但人工分析功能磁共振成像图像试图识别与阿尔茨海默病相关的变化不仅需要特定的知识，而且需要时间——深度学习和其他人工智能方法的应用可以大大加快这一速度
发现轻度认知障碍的特征不一定意味着疾病的存在，因为它也可能是其他相关疾病的症状，但它更多的是一个指标和可能的帮助者，以指导医疗专业人员进行评估
“现代信号处理允许将图像处理委托给机器，这样可以更快、更准确地完成
当然，我们不敢建议医学专业人士应该百分之百依赖任何算法
把一台机器想象成一台机器人，它能够完成最繁琐的数据分类和特征搜索任务
在这种情况下，在计算机算法选择了潜在受影响的病例后，专家可以更仔细地研究它们，最终，随着诊断和治疗更快地到达患者手中，每个人都会受益，”马斯克里什纳斯说，他指导了研究该模型的团队
我们需要充分利用数据 这种基于深度学习的模型是立陶宛人工智能领域主要研究人员的一次富有成果的合作，使用了一种众所周知的微调ResNet 18(残差神经网络)的改进，对从138名受试者获得的功能磁共振图像进行分类
这些图像分为六个不同的类别:从健康到轻度认知障碍(MCI)到阿尔茨海默病
从阿尔茨海默病神经成像倡议功能磁共振成像数据集中，总共选择了51，443和27，310幅图像进行训练和验证
该模型能够在给定的数据集中有效地找到MCI特征，达到99的最佳分类精度
99%, 99
95%，和99
早期轻度认知障碍为95%
AD，晚期MCI vs
AD和MCI与
早期轻度认知障碍
“虽然这不是第一次尝试从类似的数据中诊断阿尔茨海默氏症的早期发作，但我们的主要突破是算法的准确性
显然，如此高的数字并不是真实生活表现的指标，但我们正在与医疗机构合作，以获得更多数据，”马斯克里什纳斯说
据他说，该算法可以被开发成软件，用于分析从弱势群体(65岁以上、有脑损伤史、高血压等)收集的数据
)并将与阿尔茨海默氏症早期发病相关的异常情况通知医务人员
“我们需要充分利用数据，”马斯克里什纳斯说，“这就是为什么我们的研究小组专注于欧洲开放科学原则，这样任何人都可以利用我们的知识并进一步发展它。”
我相信这个原则对社会进步有很大的贡献
" 首席研究员的主要研究领域是现代人工智能方法在信号处理和多模态界面上的应用，他说，上述模型可以集成到一个更复杂的系统中，分析几个不同的参数，例如，还可以监控眼球运动的跟踪、面部阅读、语音分析等
这样的技术可以用于自我检查，如果有任何问题引起关注，可以发出警报寻求专业建议
“技术可以让医药更容易获得，也更便宜
尽管他们永远不会(或至少不会很快)真正取代医疗专业人员，但技术可以鼓励人们寻求及时的诊断和帮助。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
