加州大学戴维斯分校和加州大学旧金山分校的研究人员已经找到了一种方法来训练计算机精确检测人类大脑组织中阿尔茨海默病的生物标志物。

淀粉样斑块是阿尔茨海默病患者大脑中蛋白质碎片的团块，可破坏神经细胞的连接。加州大学科学家团队开发的机器学习工具可以“看到”脑组织样本是否有一种类型的淀粉样蛋白斑块，并且很快就能完成。该研究结果于5月15日发表在Nature Communications上，表明机器学习可以增强专家神经病理学家的专业知识和分析。该工具允许他们分析数千倍的数据，并提出即使是训练有素的人类专家的有限数据处理能力也无法实现的新问题。

（图片来源：Www.pixabay.com）

“我们仍然需要病理学家，”加州大学戴维斯分校加州大学戴维斯分校病理学和检验医学系助理教授，该研究的主要作者布列塔尼N. Dugger博士说。 “这是一个工具，就像键盘一样用于写作。由于键盘有助于编写工作流程，数字病理学与机器学习相结合可以帮助进行神经病理学工作流程。”

在这项研究中，她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，确定他们是否可以教一台计算机来自动识别和分析微小淀粉样蛋白斑块的繁琐过程。各种类型的大片尸检人脑组织。对于这项工作，Keiser和他的团队设计了一个“卷积神经网络”（CNN），这是一个计算机程序，旨在识别基于数千个人类标记示例的模式。

为了创建足够的训练样例来教授CNN算法Dugger如何分析脑组织，UCSF团队与她合作设计了一种方法，允许她快速注释或标记来自50万个特写图像的数万张图像。来自43个健康和患病大脑样本的组织。

UCSF团队使用这个数以万计的标记示例图像数据库来训练他们的CNN机器学习算法，以识别阿尔茨海默病中所见的不同类型的大脑变化。这包括区分所谓的核心和弥漫性斑块以及识别血管异常。研究人员表明，他们的算法可以处理整个脑片切片，准确率为98.7％，速度仅受他们使用的计算机处理器数量的限制。 然后，该团队对计算机的识别技能进行了严格的测试，以确保其分析具有生物学上的有效性。

资讯出处：Artificial intelligence tool vastly scales up Alzheimer's research

原始出处：Ziqi Tang, Kangway V. Chuang, Charles DeCarli, Lee-Way Jin, Laurel Beckett, Michael J. Keiser, Brittany N. Dugger. Interpretable classification of Alzheimer’s disease pathologies with a convolutional neural network pipeline. Nature Communications, 2019; 10 (1) DOI: 10.1038/s41467-019-10212-1

本文来源自生物谷，更多资讯请下载生物谷APP(http://www.bioon.com/m/)