議題: 運用AI深度學習模型可預測阿茲海默症診斷

議題背景:
日前(2018年11月)加州大學舊金山分校丁一鳴(音譯,Yiming Ding)等人在《放射學》(Radiology)雜誌發表最新的研究,使用配合氟-18標記葡萄糖的正子攝影(18FDG-PET)所收集之病患腦造影資料,來開發深度學習演算法,並可預測阿茲海默症、輕度認知障礙的最終診斷,分別達成特異度82%、敏感度100%的準確性,平均能在最終診斷前提早75.8個月。研究團隊獲得阿茲海默症腦造影計畫(ADNI)的數據,包括來自1,002名患者的2,100多個FDG-PET腦造影研究,以及40名患者的40個回溯性獨立腦造影研究,並記錄隨訪時的最終臨床診斷,持續在90%的數據庫中訓練深度學習演算法,而後在剩餘的10%數據庫進行測試與修正,最終該演算法能夠自己學習與阿茲海默症相對應的代謝模式。基於我國65歲以上長者近5%的高比例,又涉及醫學知識的高度專業,特此邀請專家、學者針對本次研究進行回應。

研究原文:
使用18F-FDG PET預測阿茲海默症診斷的深度學習模型
(Deep Learning Model to Predict a Diagnosis of Alzheimer Disease by Using 18F-FDG PET of the Brain)

2019年1月17日
長庚大學醫學影像暨放射科學系與健康老化中心、林口長庚醫院核子醫學科與神經科學中心 蕭穎聰教授

此研究是利用深度學習分析PET-FDG葡萄糖代謝影像,來診斷阿茲海默症(Alzheimer Disease,以下簡稱AD),目的是想要早期預測AD。

AD診斷不難,其病理特徵是類澱粉蛋白沉積,一般臨床診斷準確度已經很高,但困難的是診斷出輕微認知障礙(mild cognitive impairment,以下簡稱MCI)及各種類型的失智症。特別是MCI有些會轉為AD,有些不會,有些會保持在MCI一段時間,有些轉回正常(normal cognition,以下簡稱NC),一般講的早期診斷AD,想要達到的目標是在還沒變成AD之前(NC或MCI),能正確預測會變成AD。但是FDG影像只是神經退化的一種指標,在已經變成AD的診斷上或分辨正常與AD的區別診斷,過去利用FDG影像定量的分析或影像分布就可以達到不錯的結果,所以本研究利用深度學習可以100%診斷AD,並不令人感到意外。但是要區分MCI,相對的難度就高了,早期診斷主要目的就是找出MCI,或甚至於預測正常人變成AD的可能與時間,本研究還有很多深入的空間。深度學習是個強大的分類工具,但是容易受到測試資料與訓練資料是否一致性而干擾,造成分類的困難。MCI的FDG影像混合了多種的特徵在裡面,容易與AD或其他non-AD重疊,造成分類效果不好。結合深度學習與FDG影像診斷,比較有臨床價值的是除了早期診斷,還有就是對於各種失智症的早期區別診斷。當然如果能結合其他神經退化影像,例如類澱粉蛋白沉積或tau蛋白影像更好。

以下專家回應翻譯自英國科學媒體中心:Expert reaction to study looking at AI technology, brain imaging and Alzheimer’s disease detection

倫敦大學學院醫學影像學 德里克.希爾教授:
(Prof. Derek Hill, Professor of Medical Imaging, UCL)

阿茲海默症的診斷目前是由醫學專業人士於記憶診所(memory clinic)完成,診斷通常是基於記憶測試的結果、與患者在記憶診所的對話,有時也會考慮腦部掃描或腦脊液檢測。雖然這樣的診斷品質通常不好,但在許多情況下因為有效的治療選擇少,影響就相對小,且目前還沒有藥物可以阻止或減緩疾病。

當發展出新的有效療法,高品質的診斷可能變得更加重要,因為這些治療可能很昂貴且有嚴重的副作用,而這項技術能明確指出哪些患者會因治療受惠。

這篇論文提出的方法,是透過FDG-PET這類以偵測腦組織能量消耗的掃描來診斷。實驗結果表明該方式具有良好的診斷表現。然而,這個演算法並沒有經過真實的臨床訓練或測試。他們使用的ADNI資料庫是臨床記憶患者中相對非典型的族群,而且已經排除許多診斷中的問題案例。此外,許多專家會懷疑文中所使用的腦部掃描類型是否足夠,因為它偵測的不是分子病理學機制(神經細胞內的 Tau 蛋白以及神經細胞外堆積的 β 類澱粉蛋白),也不包含任何記憶評估。

這篇論文應該謹慎解讀。它是人工智慧應用於醫學造影的好例子,但某種程度上,還不足以成為取代醫療專業人士來診斷阿茲海默症的有效臨床工具。

倫敦大學學院神經科學 約翰.哈迪教授:
(Prof. John Hardy FMedSci, Professor of Neuroscience, UCL)

這是一個只觀察了40人的極小樣本,同時是一個精心挑選的資料樣本,它不能代表全部的群體。所以我們還不知道這是否與大多數人相關,這個研究的局限性在論文最後一頁的討論中有很好的描述。

工程與科技研究所醫療保健部門主席、班尼斯特科技獨立顧問公司 彼得.班尼斯特博士:
(Dr. Peter Bannister, Chair of the IET Healthcare Sector and Independent Consultant, Bannister Technologies)

新聞稿中簡明概述研究人員依循的方法和實驗計畫。鑒於我們今天身處在日益高齡化的社會,要改善阿茲海默症等疾病的診斷,並增進新療法的發展讓其盡早成為臨床治療的選項,將大量仰賴這些技術。

除了初步結果很正面,同樣令人振奮的是,看到作者們了解目前研究規模的限制,也就是在臨床場域中應用此技術(而非取代)來協助神經科學專家之前,還需要進一步驗證。最終,因為可能無法經常性地使用正子攝影等成像技術,若能應用某項技術於臨床診斷的過程中,在更早期就正確診斷出疾病,將帶來最大的助益。

倫敦大學學院神經病學研究所神經退化性疾病學系 博士後統計遺傳學家 瑪麗亞姆.修艾:
(Dr. Maryam Shoai, Postdoctoral Statistical Geneticist, Department of Neurodegenerative Disorders, UCL Institute of Neurology)

這個研究很好而且很巧妙,它提供的證據顯示了深度學習演算法可用於預測疾病這一概念的廣大可行性,然而,鑒於樣本數量較少,目前這項研究的型態還無法成為預測模型。此外,因為測試和訓練的兩個資料庫基本上來自同一個『樣本罐』,因而可以解釋為什麼模型看起來很成功,也就是說,如果測試組是真正獨立的樣本,模型就不一定能順利預測結果。

艾希特大學圖林研究所資深研究員 大衛.盧萊林:
(Dr. David Llewellyn, Senior Research Fellow, University of Exeter and Fellow, Turing Institute)

要理解複雜的腦神經造影資料並偵測與失智症相關的大腦早期細微變化,人工智慧和機器學習深具潛力。然而,本研究用來訓練演算法的病患是具高度選擇性的族群,不能反映出日常在臨床實踐中常見的不同患者,像是其他類型的失智症就被排除在外,讓此模型分類病人的工作更加容易。因此,儘管機器學習可能及時幫助醫生發現失智症的早期徵兆,他們的演算法還是需要進一步的改良。

伯明罕大學工程學系 德克.范安教授:
(Prof. Duc Pham, Chance Professor of Engineering, University of Birmingham)

這是深度神經網絡(deep neural network)另一個潛在上非常有用的應用,它可以協助臨床醫生在早期診斷出使人衰弱的疾病。這項研究取得了良好的平衡,作者理解該技術的試驗性質及其局限性。誠如文章所提到的,這項技術在足以提供臨床使用之前,需要增加獨立測試樣本的數量,才能涵蓋更廣泛的病人族群。我有信心,如果需要的驗證能完成,臨床醫生就能獲得可以協助他們及時開立預防性處方的強大工具。

雪菲爾大學人工智慧與機器人名譽教授 諾艾爾.夏基:
(Prof. Noel Sharkey, Emeritus Professor of Artificial Intelligence and Robotics, University of Sheffield)

這正是深度學習最適合的任務——在數據中尋找高層次的型態(high level patterns)。儘管樣本數和測試組相對較小,但研究結果的前景光明,也值得進行更大規模的研究。

英國阿茲海默症研究中心主任 卡羅爾.勞特利奇博士:
(Dr. Carol Routledge, Director of Research at Alzheimer’s Research UK)

會導致失智的疾病,在任何症狀顯示出來之前的20年,就開始在大腦中出現,這項研究為我們提供了重要的機會,在大規模損傷發生前得以干預。這個研究強調了機器學習的潛力,它能協助阿茲海默症等疾病提早被發現,但此研究結果還需要更大的病患樣本群來確認,才能正確評估它的影響力。

目前在英國,正子攝影掃描在使用上,主要局限於研究與臨床試驗,藉此確保有潛力的新藥是在正確的人選上測試。正子攝影掃描是功能強大的工具,但價格不斐,且需要專業的設備與知識。

儘管人工智慧的最新進展,為更早診斷出阿茲海默症提供了關鍵機會,但這還需要付出重大努力和投資。英國阿茲海默症研究中心(Alzheimer’s Research UK)認為,利用大數據和機器學習的科技方法,或許能為失智症患者及其家人帶來偌大的益處。

相關利益聲明

德里克.希爾教授:沒有衝突
約翰.哈迪教授:我沒有利益需要聲明
彼得.班尼斯特博士:沒有利益需要聲明
大衛.盧萊林博士:沒有利益需要聲明
德克.范安教授:沒有利益需要聲明
諾艾爾.夏基教授:沒有利益衝突
卡羅爾.勞特利奇博士:沒有利益衝突

版權聲明

本文歡迎媒體轉載使用,惟需附上資料來源,請註明新興科技媒體中心。
若有採訪需求或其他合作事宜,請聯絡媒體公關:

曾雨涵

haharain331@rsprc.ntu.edu.tw
02-3366-3366#55925