研究人员使用一种普通的脑部扫描程序，对机器学习算法进行了编程，以在进行临床诊断之前大约六年来诊断早期的阿尔茨海默氏病-可能为医生提供了干预治疗的机会。

目前尚无治愈阿尔茨海默氏病的方法，但近年来出现了有希望的药物，可帮助阻止该病的发展。但是，这些治疗必须在疾病的早期进行，以发挥作用。这场争分夺秒的竞赛激发了科学家们寻找更早诊断出该病的方法。

“阿尔茨海默氏病的困难之一是，当所有临床症状都显现出来并且我们可以做出明确的诊断时，太多的神经元已经死亡，这使其基本上不可逆转，”医学博士，医学博士，医学博士Jae Ho Sohn说道。旧金山加州大学放射与生物医学影像学系。

阿尔茨海默氏病的困难之一是，当所有的临床症状都显现出来并且我们可以做出明确的诊断时，太多的神经元已经死亡，这使其基本上不可逆。

Sohn在放射学杂志上发表的一项最新研究中，将神经影像学与机器学习相结合，以试图预测患者在首次出现记忆障碍时是否会发展为阿尔茨海默氏病，这是进行干预的最佳时间。

正电子发射断层扫描(PET)扫描可测量大脑中特定分子(如葡萄糖)的水平，已被研究为一种在症状变得严重之前帮助诊断阿尔茨海默氏病的工具。葡萄糖是脑细胞的主要燃料来源，细胞越活跃，它使用的葡萄糖就越多。随着脑细胞患病和死亡，它们使用的葡萄糖更少，最终没有葡萄糖。

其他类型的PET扫描会寻找与阿尔茨海默氏病特别相关的蛋白质，但是葡萄糖PET扫描更为普遍且便宜，尤其是在较小的医疗机构和发展中国家，因为它们也用于癌症分期。

放射科医生已使用这些扫描方法，通过寻找整个大脑(尤其是大脑的额叶和顶叶)中降低的葡萄糖水平来检测阿尔茨海默氏病。但是，由于该疾病是一种缓慢的进行性疾病，因此葡萄糖的变化非常微妙，因此很难用肉眼发现。

为了解决此问题，Sohn将机器学习算法应用于PET扫描，以帮助更可靠地诊断早期阿尔茨海默氏病。

“这是深度学习的理想应用，因为它在发现非常细微但分散的过程方面特别强大。放射线学家确实非常擅长识别微小的病灶发现，例如脑瘤，但我们在检测更缓慢的全局变化方面却举步维艰。”“鉴于深度学习在这种类型的应用程序中的优势，特别是与人类相比，这似乎是自然的应用程序。”

为了训练该算法，Sohn从阿尔茨海默氏病神经影像学计划(ADNI)获得了图像，该计划是最终被诊断出患有阿尔茨海默氏病，轻度认知障碍或无障碍的患者的PET扫描。最终，该算法开始自行学习哪些功能对于预测阿尔茨海默氏病的诊断很重要，哪些功能不重要。

一旦对该算法进行了1,921次扫描训练，科学家就在两个新的数据集上对其进行了测试，以评估其性能。第一个是来自同一ADNI数据库的188张图像，但尚未提供给算法。第二个是对40名患者的全新扫描，这些患者曾出现在UCSF记忆和衰老中心，可能存在认知障碍。

该算法具有出色的表现。它在第一个测试集中正确识别出了92%的患阿尔茨海默氏病的患者，在第二个测试集中识别出了98%的患者。而且，在患者获得最终诊断之前，它平均在75.8个月(略高于六年)上做出了正确的预测。

Sohn表示，下一步是在来自不同医院和国家的更大，更多样化的数据集上测试和校准该算法。