作者： 顾然
淀粉样斑块是阿尔茨海默症患者大脑中蛋白质碎片的团块，可以破坏神经细胞连接。为了能够像Facebook根据已捕捉到的图像来识别人脸一样识别蛋白质碎片，加州大学戴维斯分校(UC Davis)和加州大学旧金山分校(UC San Francisco)的科学家团队合作开发了机器学习工具，用以快速“看到”脑组织样本中是否存在淀粉样斑块。
https://doi.org/10.1038/s41467-019-10212-1
这项于5月15日发表在《Nature Communications》杂志上的研究结果表明，机器学习可以增强神经病理学家的专业知识和分析能力，帮助分析海量数据，并提出新的问题。即使是训练有素的人类专家，在有限的数据处理能力下也不可能提出这些问题。
“当然，我们仍然需要病理学家，”研究的主要作者、加州大学戴维斯分校病理学和检验医学系助理教授Brittany N. Dugger博士说，“这是一个工具，就像键盘是用来打字一样。数字病理学与机器学习相结合可以帮助改善神经病理学工作流程。”
在这项最新研究中，Dugger与加州大学旧金山分校神经退行性疾病研究所和药物化学系助理教授Michael J. Keizer博士合作，开发了一种名为“卷积神经网络”(CNN)的计算机程序，旨在确定是否可以让计算机自动识别和分析人类大脑组织中的淀粉样斑块。
为了创建足够的训练样例来让CNN算法学习Dugger教授是如何分析脑组织的，研究人员想出一个方法，让Dugger教授迅速注释或标记来自43个健康和患病大脑样本组织的50万张特写图像，作为算法学习的样例。
同时，他们还开发了一个网络平台，让Dugger教授可以一次只看一个高度放大的潜在斑块区域并迅速标记。这一数字病理学的新工具被称为“blob or not”，它可以允许Dugger教授以每小时约2000张的速度注释超过70000个“blobs”或候选斑块。
机器学习工具可准确检测疾病标记
UCSF团队使用包含数以万计的标记示例图像的数据库来训练他们的CNN机器学习算法，用以识别阿尔茨海默病中出现的不同类型的大脑变化，并且区分所谓的核心和弥漫性斑块以及识别血管异常。
新的AI算法能够有效地自动化分类阿尔茨海默病患者死后脑中的淀粉样斑块和血管异常。图片来源：Keiser / Dugger实验室。
研究人员表示，他们的算法可以保证98.7%的准确率来处理整个大脑切片，速度仅受所用计算机处理器数量的限制。(在目前的研究中，他们使用的是与家庭游戏玩家类似的单一显卡。)
随后，研究小组对计算机的识别能力进行了严格的测试，以确保其分析在生物学有效性。
Keiser解释说，“众所周知，要想知道机器学习算法在幕后究竟在做什么是非常困难的，但是我们可以打开黑匣子，让它向我们展示它为什么做出预测。”他强调，机器学习工具在识别斑块方面并不比人类专家更擅长，但它不知疲倦，且可扩展我们的范围。例如，我们可以在意想不到的地方寻找罕见的斑块，这些斑块可以为我们了解疾病的进程提供重要的线索。
为了推广该工具的使用，研究人员将其和研究数据公布在网上。其他研究人员可以互动，在自己的实验室里评估了该数据和算法。
未来，研究人员希望，这样的算法将成为神经病理学研究的标准部分，训练有素地帮助科学家分析大量数据并不知疲倦地寻找模式，以开启对疾病原因和潜在治疗的新见解，为阿尔茨海默症的精准治疗打开一扇大门。
参考资料：
[1] Artificial intelligence tool vastly scales up Alzheimer's research