目前用于确定阿尔茨海默症发病的诊断工具之一是一种称为18-F-氟脱氧葡萄糖PET扫描（FDG-PET）的脑成像扫描。这种扫描传统上用于识别几种类型的癌症，但近年来证明它本身可用于识别阿尔茨海默症以及其他几种类型的痴呆症。
在最新的研究中，旧金山加利福尼亚大学的研究人员基于1002名患者的2100多幅FDG-PET脑图像上训练了机器学习算法，观察脑细胞新陈代谢的微小变化。AI先是在90％的图像上进行了训练，然后在剩余10％的图像以及来自40名从未研究过的患者的独立检查中进行算法性能验证。
“大脑中葡萄糖摄取模式的差异是非常微妙和分散的，”研究的共同作者、加州大学旧金山分校放射与生物医学成像系的Jae Ho Sohn说道，“人们善于发现特定疾病的生物标记物，但代谢变化代表了一个更全面和微妙的过程。”
https://doi.org/10.1148/radiol.2018180958
将AI应用于阿尔茨海默病的研究并非史无前例，但最新研究利用阿尔茨海默症神经成像倡议（ADNI）数据训练深度学习算法，以关注脑细胞中葡萄糖摄取模式，这是一种新的方法。研究结果以“A Deep Learning Model to Predict a Diagnosis of Alzheimer Disease by Using 18F-FDG PET of the Brain”为题发表在《Radiology》杂志上。
虽然临床医生擅长FDG-PET脑图像评估，但新的深度学习技术能够识别密集成像数据中更微妙的模式。该算法能够预测所有进展为阿尔茨海默病的病例——具有82%的特异性和100% 敏感性，与放射科医师相比，诊断时间平均提前了75.8个月。Jae Ho Sohn表示，“我们对算法的性能非常满意，它能预测每一个进展为阿尔茨海默症的病例。”
鉴于样本量太小（只有40例），需要通过更大的独立数据集合前瞻性研究进行验证该算法，但研究小组相信，AI系统最终会成为放射学家的补充工具，并为使用AI来发现其他与阿尔茨海默病相关的生物学标志物奠定基础，这些标志物包括β-淀粉样蛋白和tau蛋白积聚以及异常p叶黄素凝块。
（责任编辑：lgh）
