新的研究表明，一种新兴的预测性生物标志物，源自磁共振成像(MRI)脑部扫描和机器学习算法的组合，比以前建立的诊断阿尔茨海默病的测量方法具有更高的准确性。
据估计，有超过600万人患有阿尔茨海默病，而大流行可能导致2020年与阿尔茨海默病和痴呆相关的人数增加了17%。1然而，新兴研究表明机器学习模型和单个T1加权磁共振成像(MRI)扫描的结合可以促进增强对阿尔茨海默病的检测并可能进行早期干预。
该研究最近发表在CommunicationsMedicine上，它检查了一种预测机器学习模型，该模型从大脑的T1加权MRI扫描中确定介观特征，并促进随后使用预测生物标志物来帮助诊断阿尔茨海默病。2
研究人员发现，该生物标志物检测阿尔茨海默病的准确率为98%，而测量脑脊液β淀粉样蛋白的准确率为62%，测量海马萎缩的准确率为26%。2
“目前，没有其他简单且广泛可用的方法可以如此准确地预测阿尔茨海默病，因此我们的研究向前迈出了重要一步，”英国伦敦帝国理工学院癌症药理学和分子成像教授EricAboagye指出王国。“……我们的新方法还可以识别早期患者进行新药治疗或生活方式改变的临床试验，这目前很难做到。”
根据研究作者的说法，基于MRI的预测性生物标志物采用成熟的大脑分割和放射组学分析软件，“不需要主题专家”。他们指出，生物标志物是基于从大脑115个区域中的14个提取的20个特征的加权和。
“该算法计算人工设计的特征，可以轻松解释(生物标志物)并促进临床翻译。为了避免过度拟合，模型的维数通过“最小绝对收缩和选择算子(LASSO)”来减少，该算子选择与特定大脑区域相对应的信息最多且冗余较少的特征，”Aboagye及其同事写道。
注意到机器学习模型确定了过去与阿尔茨海默病无关的小脑和腹侧间脑的变化，研究作者认为，新算法可以增强神经放射科医生对该患者群体MRI脑部扫描的评估。
“虽然神经放射科医生已经解释了MRI扫描以帮助诊断阿尔茨海默病(疾病)，但扫描的某些特征可能是不可见的，即使是专家也看不到，”该研究的合著者、医学博士PareshMalhotra建议道。帝国理工学院医疗保健NHS信托基金顾问神经学家。“使用能够选择大脑中受阿尔茨海默氏症影响的纹理和细微结构特征的算法，可以真正增强我们从标准成像技术中获得的信息。”