加州大学戴维斯分校和加州大学旧金山分校的研究人员找到了一种方法，可以教计算机精确地检测人脑组织中阿尔茨海默氏病的标志之一，从而为区分这种疾病的关键标志物的机器学习方法提供了概念验证。

淀粉样蛋白斑块是阿尔茨海默氏病患者大脑中的一系列蛋白质片段，会破坏神经细胞的连接。就像Facebook根据捕获的图像识别面部的方式一样，由加利福尼亚大学的科学家团队开发的机器学习工具可以“看到”脑组织样本中是否有一种或多种淀粉样斑块，并且可以很快地完成。

研究结果于5月15日发表在《自然通讯》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能力。该工具使他们能够分析成千上万次的数据，并提出新的问题，即使是训练有素的人类专家也无法使用有限的数据处理能力。

“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实验室医学系助理教授，该研究的主要作者布列塔尼·N·杜格博士说。“这是一种工具，就像键盘是用于编写的。由于键盘有助于编写工作流程，因此将数字病理学与机器学习结合在一起可以帮助神经病理学工作流程。”

在这项研究中，她与UCSF神经退行性疾病研究所和药物化学系的助理教授Michael J. Keiser博士合作，确定他们是否可以教计算机自动完成费力的识别和分析微小淀粉样蛋白斑块的过程。各种类型的人体解剖组织切片。为此，Keizer和他的团队设计了一个“卷积神经网络”(CNN)，这是一种计算机程序，旨在根据数千个带有人类标签的示例来识别模式。

为了创建足够的训练示例来教授CNN算法，杜格如何分析大脑组织，UCSF团队与她一起设计了一种方法，该方法可以使她从50万张近距离拍摄的近距离图像中快速注释或标记成千上万张图像。 43个健康和患病的大脑样本中的组织。

就像允许用户向左或向右滑动以将某人的照片标记为“热”或“不”的计算机约会服务一样，他们开发了一个网络平台，该平台允许Dugger一次查看高度放大的潜在区域并迅速贴上她在那看到的东西。这种数字病理工具(研究人员称其为“斑点或非斑点”)使Dugger能够以每小时约2,000张图像的速度注释超过70,000个“斑点”或斑块候选者。

UCSF团队使用这个包含成千上万个标记示例图像的数据库来训练其CNN机器学习算法，以识别在阿尔茨海默氏病中发现的不同类型的大脑变化。这包括区分所谓的核心斑块和弥散斑块，以及识别血管异常。研究人员表明，他们的算法可以以98.7%的精度处理整个全脑切片幻灯片，而速度仅受所用计算机处理器数量的限制。(在当前的研究中，他们使用了与家庭游戏者所使用的图形卡相同的图形卡。)

然后，该团队对计算机的识别能力进行了严格的测试，以确保其分析具有生物学有效性。

Keizer解释说：“众所周知，很难知道机器学习算法实际上是在做什么，但是我们可以打开黑匣子，要求它向我们展示为什么要做出预测。”

Keizer强调说，机器学习工具在识别斑块方面并不比训练计算机首先找到它们的神经病理学家Dugger更好。

他说：“但是它不知疲倦且可扩展。”“这是一个副驾驶员，是一个乘数乘数，它扩大了我们可以完成的范围，并让我们提出了我们从来不会手动尝试过的问题。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提供重要的线索病程。