淀粉樣斑塊是阿爾茨海默癥患者大腦中蛋白質碎片的團塊，可以破壞神經(jīng)細胞連接。為了能夠像Facebook根據(jù)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(fā)了機器學習工具，用以快速“看到”腦組織樣本中是否存在淀粉樣斑塊。

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

這項于5月15日發(fā)表在《Nature Communications》雜志上的研究結果表明，機器學習可以增強神經(jīng)病理學家的專業(yè)知識和分析能力，幫助分析海量數(shù)據(jù)，并提出新的問題。即使是訓練有素的人類專家，在有限的數(shù)據(jù)處理能力下也不可能提出這些問題。

Brittany Dugger

“當然，我們?nèi)匀恍枰±韺W家，”研究的主要作者、加州大學戴維斯分校病理學和檢驗醫(yī)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(shù)字病理學與機器學習相結合可以幫助改善神經(jīng)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(jīng)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(fā)了一種名為“卷積神經(jīng)網(wǎng)絡”(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淀粉樣斑塊。

Michael J. Keizer

為了創(chuàng)建足夠的訓練樣例來讓CNN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?zhí)貙憟D像，作為算法學習的樣例。

同時，他們還開發(fā)了一個網(wǎng)絡平臺，讓Dugger教授可以一次只看一個高度放大的潛在斑塊區(qū)域并迅速標記。這一數(shù)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(shù)以萬計的標記示例圖像的數(shù)據(jù)庫來訓練他們的CNN機器學習算法，用以識別阿爾茨海默病中出現(xiàn)的不同類型的大腦變化，并且區(qū)分所謂的核心和彌漫性斑塊以及識別血管異常。

新的AI算法能夠有效地自動化分類阿爾茨海默病患者死后腦中的淀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(shù)量的限制。(在目前的研究中，他們使用的是與家庭游戲玩家類似的單一顯卡。)

隨后，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，要想知道機器學習算法在幕后究竟在做什么是非常困難的，但是我們可以打開黑匣子，讓它向我們展示它為什么做出預測。”他強調(diào)，機器學習工具在識別斑塊方面并不比人類專家更擅長，但它不知疲倦，且可擴展我們的范圍。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(shù)據(jù)公布在網(wǎng)上。其他研究人員可以互動，在自己的實驗室里評估了該數(shù)據(jù)和算法。

未來，研究人員希望，這樣的算法將成為神經(jīng)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(shù)據(jù)并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，為阿爾茨海默癥的精準治療打開一扇大門。

參考資料：

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