.05.15
年5月15日，清华大学药学院级本科生唐子琦在优秀本科生国际交流项目中赴UCSF交流学习期间以第一作者身份在《自然·通讯》在线发表了题为《InterpretableclassificationofAlzheimer’sdiseasepathologieswithaconvolutionalneuralnetworkpipeline》的研究论文，首次报道了利用深度学习算法自动且有效地对阿尔兹海默症患者大脑中的β-淀粉样蛋白斑块（Amyloid-βplaque）和血管异常进行病理学分析。该研究提出了一种深度学习的训练方法，使得计算机能够精确的检测人脑组织中β-淀粉样蛋白斑块，此方法揭示了自动化阿尔兹海默症研究关键部分的可能。
阿尔兹海默症
阿尔兹海默症是痴呆症中最常见的一种，但对该疾病成因和治疗方面的研究进展十分缓慢。β-淀粉样蛋白斑块作为阿尔兹海默症的病理学标志之一，是神经病理学中的重要研究对象，但识别和分析大量人脑组织样本中不同形态的β-淀粉样蛋白斑块沉淀十分困难且耗时。
为了增强对阿尔兹海默症病理学的分析能力，研究人员设计了一个卷积神经网络（CNN）模型。CNN是一种深度学习算法，能够从大量数据中提取潜在的规律和模式，并据此对新的数据进行预测。为了获得足够的数据来训练CNN进行人脑组织病理学分析，研究人员开发了一个网络平台“BloborNot”，使得病理学家能够高效的标注数以万计的潜在斑块区域图片。研究小组利用由7万张已标注的病理学图片组成的数据集来训练CNN模型，以识别阿尔兹海默症中不同类型的大脑变化，包括区分Coredplaque和Diffuseplaque，以及识别脑血管中的异常病变。研究结果表明，此算法能够以98.7%的准确率处理整个大脑切片，处理速度只受限于所使用的计算机处理器数量。同时，研究小组对此算法的可靠性和可解释性进行了严格测试，以确保其在生物学分析上是有效的。在未来，研究人员希望这些算法将成为神经病理学研究的标准部分，帮助病理学家分析大量实验和临床数据，打开精确治疗痴呆症的大门。
图：CNN模型在不同尺度上对人脑切片中病理学特征的预测
该工作由UCSF的MichaelKeiser课题组和UCDavis的BrittanyDugger课题组合作完成，MichaelKeiser教授和BrittanyDugger教授为共同通讯作者。该课题受到NationalInstitutesofHealth(P30AG)和aPaulG.AllenFamilyFoundationDistinguishedInvestigatorAward的资助。唐子琦同学在UCSF两年的交流学习受到中国留学基金委的资助。
唐子琦，男，年出生
清华大学药学级本科生
曾获清华大学志愿优秀奖学金
于年8月至年5月期间在加州大学旧金山分校（UCSF）进行为期两年的交流学习，师从MichaelKeiser教授，进行生物信息学的相关研究。
优秀本科生国际交流项目
药学院部分本科生入学后前三年在清华学习基础理论知识，培养基础科研技能；第四、五年在国家留学基金委的资助下前往国外一流大学的前沿实验室接受科研训练；回国后在药学院进行为期三年的博士研究生训练，通过答辩获得博士学位。目前，与药学院有合作关系，可公派留学的国际知名大学包括：美国加州大学旧金山分校、美国匹兹堡大学和澳大利亚墨尔本大学。
点击“阅读原文”查看完整论文
预览时标签不可点收录于话题#个上一篇下一篇