(资料图)

编程客栈（）3月7日 消息:随着人工智能技术的发展，其在医疗领域可以发挥越来越重要的作用。据报道，研究人员开发并验证了一种基于深度学习的方法，可根据常规收集的临床脑成像检测阿尔茨海默病。

尽管研究人员在使用一部分收集编程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不小进步，但马萨诸塞州综合医院 （MGH） 的一个团队最近开发了一种更为准确的检测方法php，该方法依赖于常规收集的临床脑成像。

对于这项发表在PLOS ONE上的研究，MGH 系统生物学中心的python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，也就是一种机器学习和人工使用大量数据和复杂算法来训练AI模型。

研究人员根据从2019年之前在麻省总医院就诊的患有和未患有阿尔茨海默病的患者收集的大脑磁共振图像 （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，以查看它是否能够根据真实数据准确检测阿尔茨海默病。结构，在所有五个数据集中，该模型检测阿尔茨海默病风险的准php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，而不受其他变量影响，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 博士说道。

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mYJtvbrF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”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。”