随着人口老龄化的加剧,阿尔茨海默病(AD)患病率在全球逐年上升。AD的精准诊疗仍是医学难题之一。近年来,人工智能(AI)等新兴技术发展迅猛,那么,对于AD的精准诊疗,AI能否帮上忙?对此,湖南师范大学信息科学与工程学院教授毕夏安领衔的脑科学与人工智能团队做出了创新尝试。他们将大脑影像和基因数据分别作为AD的宏观视图与微观视图,提出一种用于疾病分类与风险预测的深度学习算法,可精准生成大脑功能网络视图。大量实验显示,其多阶段诊断和风险预测准确率分别达74.2%和84.5%,比当前已有的先进诊断方法平均高出10个百分点。日前,该研究成果发表于《IEEE模式分析与机器智能汇刊)。（IEEETPAMI）
“码农”能为精准医疗做点啥?
“AI 等新技术的应用越来越广泛,我这个 ‘码农’能为 AD 的诊疗做点什么?”一直从事网络安全相关研究的毕夏安这样问自己。 他与中南大学湘雅医院相关科室的医生开展了前期合作, 并花费两年时间系统学习了神经学科的相关内容, 特别是针对重大神经退行性疾病的内容。“AD 诊疗难,关键问题是我们对大脑的认识远远不够。 ”毕夏安说,大脑有最复杂的网络,成人大脑中约有 1000 亿个神经元,如何挖掘利用大脑数据是关键。 既往临床研究获取了大量大脑数据, 但缺乏对信息多维度、跨尺度的整合，诊疗一线的临床医生往往没有那么多时间、精力以及好的技术功底去做这件事,“ 这个时候我们‘码农’就派上用场了”。中南大学湘雅医院副教授易小平介绍,现有的 AD 早期诊断方案大多基于量表和问卷, 准确性和实用性都不尽如人意。 另外,当前临床广泛应用的核磁共振、 PET 等医学影像手段在 AD 的诊断和早期筛查中效果有限, 这些检查的大规模使用由于经济性和便利性的原因也都难以普及。
给基因突变和脑区功能变化“牵线”
AD 被定义为由多种复杂因素共同导致的脑退行性疾病, 是老年痴呆最常见的一种类型。目前, 研究人员已开发出多种检测技术以帮助临床工作者了解病情,如核磁共振、 PET 等医学影像检查手段。“
但实际上,除了少数病人的大脑在疾病中晚期可能有一些诸如海马硬化、萎缩等改变外,AD 早期在影像上基本没有明显改变,导致早期识别 AD 几乎成为临床医生无法完成的任务。 因此,传统医学影像分析在 AD 的早期诊断上几乎是无效的,确诊只能依赖于临床医生的经验。 ”参与该研究的美国哈佛大学医学院和麻省总医院助理教授李响表示。
研究发现, AD 患者在基因组学层面上表现不同,大量致病基因被陆续报道出来;微观层面上的基因突变会深刻影响神经元活动, 是导致大脑从正常状态逐渐演化为异常状态的主要驱动因素。
《细胞》 曾发表过一项研究, 发现一批特定的基因对神经回路的形成与演变有着重要的调控作用。 那么, AD 患者微观层面的基因突变究竟是如何改变大脑结构和功能模式的?
“微观的基因突变与宏观的脑区功能变化之间存在着怎样的具体联系, 目前科学界仍无定论。 ” 毕夏安说,生命科学领域的研究已进入大数据时代, 但各种医疗数据的异质性和不平衡性带来了信息融合困难、 数据挖掘效率低等问题。
毕夏安说, 一个人得了 AD, 除了通过影像手段检查, 另一种方法是通过基因突变发现, 因为脑区的功能变化可能是基因突变导致。 基因是网络化运作的, 人说话这个举动,就是若干个脑区被同时激活后完成的。 而激活若干个脑区的源头就是基因网络, 二者之间到底是一种怎样的映射关系或映射模式?团队当前要做的就是给它们“牵线搭桥” 。
临床上,医学影像等检测技术能提供种类丰富的数据, 每种数据都为疾病诊疗提供一幅视图, 但这些视图都只能看到疾病的某一个面。几年前, 有学者提出 “多视图学习”概念, 能够充分利用视图间的互补性与一致性提升 AI 检测效率。
为此,科研团队提出了基于 AI 技术的疾病早期诊断与风险预测新思路,融合 AD患者早期的脑影像组和基因组数据, 借助患者的微观视图与宏观视图构建了多视图结构信息映射模型, 提出结构映射生成对抗网络算法,通过基因网络可以精准生成大脑的功能网络。
“我们在阿尔茨海默病神经影像学计划 (ADNI) 数据库中, 提取了 197 个早期轻度认知功 能障碍、203 个晚期轻度认知功能障碍和 233 个 AD 患者的数据信息做验证, 取得了可喜结果。” 毕夏安介绍,在 AD的多阶段诊断与风险预测任务中,团队提出 的 算 法模型的诊断准确率分别达到了74.2%与 84.5%, 这比当前已有的先进诊断方法平均高出 10 个百分点。
有望抽管血就可诊断和预测 AD
毕夏安表示,在可解释性方面, 团队基于网络数据结构设计了清晰可回溯的卷积操作, 每一步操作都与明确的生物医疗背景相对应,可为 AD 的智慧医疗提供一种高效、 可靠的 AI 技术。该技术具有良好的泛化性, 可用同一种方法广泛捕获到 AD 中的基因数据和脑影像数据之间的映射模式, 解决AI 医疗大模型中的核心技术难点。
“目前抽血做全基因组测试可判断早期AD 风险,但并不知道基因如何引起大脑功能的改变, 且大脑改变是不可视的。基于团队算法, 个体基因数据可直接映射出对应的脑网络。 ” 毕夏安说, 未来这一算法模型投入临床后, 有望只抽取一管血, 进而做全基因
组测序,就可判断出一个人是否患有 AD, 并可预测他将来某个时间患病的风险概率, 省去后续进一步的脑影像等检查环节。
IEEETPAMI审稿人认为，这是一项多视图学习和生物医学交叉领域的开创性工作，创新性地从视图映射角度提出一种泛化性良好的深度学习算法。探索从一幅视图到另一幅视图的映射模式是目前 AI 领域研究所缺乏的,相信该研究有望精简 AD 早期诊断与疾病风险预测流程,产出更有价值的下游应用。
