大脑中神经原纤维缠结中异常tau蛋白的积累是阿尔茨海默氏病的特征，但它也积累在其他神经退行性疾病中，例如慢性外伤性脑病和其他与年龄相关的疾病。准确诊断神经退行性疾病具有挑战性，需要训练有素的专家。

位于西奈山的计算和系统病理学中心的研究人员开发并使用了精确信息平台，将强大的机器学习方法应用于数字化显微幻灯片，该幻灯片是使用神经退行性疾病患者的组织样本制备的。应用深度学习，这些图像被用于创建卷积神经网络，该网络能够直接从数字化图像中高精度地识别神经原纤维缠结。

“利用人工智能具有巨大的潜力，可以提高我们检测和量化神经退行性疾病的能力，这是相对于现有的劳动密集型和可重复性差的方法的重大进步，”首席研究员约翰·克雷里(John Crary)博士，医学博士，病理学和神经科学教授西奈山伊坎医学院。“最终，该项目将导致神经退行性疾病的更有效和准确的诊断。”

这是第一个可用于在神经病理学中使用大规模图像数据评估深度学习算法的框架。Precise Informatics Platform允许进行数据管理，可视化探索，对象概述，多用户审查以及深度学习算法结果的评估。

西奈山计算与系统病理学中心的研究人员已使用先进的计算机科学和数学技术，结合尖端的显微镜技术，计算机视觉和人工智能，可以更准确地对各种疾病进行分类。