如今，阿尔茨海默氏病是最隐蔽的疾病之一，很难预测（而且价格昂贵）。 尽管无法停止已经发展的疾病，但有证据表明，早期发现有助于减慢或阻止阿尔茨海默氏病和大脑退化。 因此，寻找确定疾病风险的可靠方法成为研究人员的想法。
随着人体年龄的增长，认知障碍是不可避免的。 随着年龄的增长，人们变得更加健忘，常常迷失思路，发现难以做出决定或执行以前不会造成困难的任务。 医生称这种轻度认知障碍。 它影响大多数人的年龄。
许多患有轻度认知障碍的人会发展为更严重的形式-阿尔茨海默氏病。 一个人失去词汇量，经常使用不正确的单词替换，不再认识近亲，失去基本的自我保健技能，最终完全依赖于其他帮助他的人。 大多数患有这种诊断的人在发现阿尔茨海默氏病后的几年内死亡。
有趣的是，这种情况并没有等待所有患有轻度认知障碍的人。 随着时间的流逝，患者的病情可能不会恶化，在某些情况下甚至会有所改善。 因此，医生希望找到方法来识别那些更可能患阿尔茨海默氏病的人。
韩国科学家已经提出将深度学习用于此目的。 他们开发的技术可以确定未来三年内可能患有阿尔茨海默氏病的人。
深度神经网络学会
在大脑的
正电子发射断层扫描 （PET）图像中识别疾病的独特痕迹。 已知阿尔茨海默氏病的特征是被称为淀粉样斑块的蛋白质块的不期望的生长，以及大脑的新陈代谢缓慢，这由大脑使用葡萄糖的速率来衡量。
某些类型的PET扫描可以检测到这两种情况的迹象，因此可以将其用于检测人的轻度认知障碍，最终导致阿尔茨海默氏病的发展。
从理论上讲，这听起来很令人鼓舞，但实际上很难解释生成的图像。 研究人员已经发现一两个专门训练有素的人可以找到的明亮标记，但是这种方法很费时，而且无法避免错误。 因此，韩国科学家决定用深度神经网络代替人们。
近年来，世界各地的阿尔茨海默氏症研究人员建立了患有和不患有阿尔茨海默氏症患者的大脑图像数据库。 韩国同事使用该数据集训练卷积神经网络以识别它们之间的差异。
（A）-卷积神经网络架构应用于使用葡萄糖的生物类似物-
氟脱氧葡萄糖和
florbetapira-给予患者以诊断阿尔茨海默氏病的物质制作的两个PET图像。 可以使用三维卷积和激活函数（ReLU）提取每个层函数。 多层卷积提供一维输出，最后一层具有两个节点，分别对应于阿尔茨海默氏病（AD）和正常脑部疾病（NC）。
（B）-根据来自健康和患病患者的PET数据训练了深度神经网络。 研究人员使用了十倍的交叉检查。 训练后，将AI直接用于轻度认知障碍（MCI）或疾病转化或非转化的分类。 研究人员评估了可能导致疾病的疾病患者预后的准确性。 此外，科学家还进行了接收机性能分析（ROC）。
数据集包括182位70岁健康大脑的人的大脑图像和139位被诊断患有阿尔茨海默氏病的大约相同年龄的人的大脑图像。 结果，AI能够以90％的准确度识别出健康和患病的大脑之间的差异。
此外，研究人员使用他们的机器分析了另一个数据集，该数据集包括对181位70岁有轻度认知障碍的人进行的大脑扫描，其中79位经历了三年的阿尔茨海默氏病。 科学家的任务是确定最容易恶化的人。
根据实验结果，人工智能以81％的准确度识别出有患阿尔茨海默氏病风险的人。 该结果显着高于视觉分析图像的医生给出的结果。
一般来说，韩国科学家的技术只是在医学诊断中越来越多地使用深度学习和机器视觉的一个例子。 现有数据表明，机器可以比人更早，更准确地确定困难状况。
doi：
arXiv：1704.06033