正文
北卡罗来纳大学的一个研究团队检测到了6个月大的儿童与自闭症相关的大脑发育变化。深度学习算法能够使用这些数据来预测在24个月内，有罹患自闭症高度风险的儿童是否能被诊断出该病。
该算法正确预测高危儿童的最终诊断准确率为81 ％，灵敏度为88％。与行为调查问卷相比，这无疑是更有帮助的结果——这些调查问卷诊断早期自闭症（大约12个月大），只有50％的准确性。
UNC 心理学家和大脑发育研究员资深作者Heather Hazlett说：“这优于以前那些办法，并且能在儿童更小时就做出诊断。”
这一算法运行良好，仅使用三个变量——脑表面积，脑容量和性别（男孩比女孩更容易发生自闭症）——该方法检测出了10 名自闭症儿童中的8名。
据研究团队成员、UNC神经图像分析和研究实验室联合主任MartinStyner 说，训练该算法的团队最初使用了一半的数据训练，另一半用于测试。但是，根据评议人员的要求，他们随后进行了更为标准的 10-fold 分析，其中数据被细分为10 个相等的部分。然后机器学习的过程进行10 轮，每轮用9 部分训练，保留一部分用于测试。最后，最后收集10轮的“仅测试”结果，用于其预测。
幸运的是，Styner 说，两种类型的分析 - 初始的50/50和最后的10-fold- 显示了几乎相同的结果。该团队对预测精度感到满意。
当然，Hazlett 也表示，项目的推进和普及还需要一些时间，“这样昂贵的诊断测试不是所有的家庭都能负担得起。”
阿尔茨海默：新方法可能没有比旧的好太多，也许只是因为它使用了更好的数据
哈佛大学、马萨诸塞州总医院和华中科技大学的研究者合作设计了一项将fMRI脑扫描与临床资料结合起来进行预测的方案。
马萨诸塞州总医院临床数据科学中心的高级研究员QuanzhengLi说：“我们试图在早期发现阿尔茨海默。很多人尝试使用传统的机器学习方法来做到这一点，但结果并不那么好，因为这是一个非常困难的问题。”
初步测试后，研究人员表示，他们的深度学习程序与特殊的fMRI数据集配对时，比使用更基本的数据集的其他分类方法更准确。然而，当这些传统分类器也使用特殊数据集时，它们在精度上也有类似的增益。
爱丁堡大学生物医学工程师Javier Escudero表示，这个新方法可能没有比旧的好太多，可能只是因为它使用了更好的数据。
如果是这样，那么想要借助深度学习方法诊断阿尔茨海默病的其他专家可能想要仔细观察他们纳入分析的数据。根据这项最新的研究，显示大脑区域之间关系的fMRI扫描提供了比仅随时间变化记录测量结果更细微的视图。
研究团队想看看他们是否可以使用功能连接中的这些变化来预测阿尔茨海默病。他们从阿尔茨海默病神经影像学计划提供的93 名MCI患者和101 名正常患者的数据开始。根据从参与者大脑中90个区域获取的130 次fMRI测量的时间序列，研究人员可以知道一段时间内信号闪烁的位置。
