Alzheimer: sztuczna inteligencja przewiduje początek
Narzędzie sztucznej inteligencji nauczone analizowania skanów mózgu może dokładnie przewidywać chorobę Alzheimera na kilka lat przed ostateczną diagnozą.
Zespół odpowiedzialny sugeruje, że po dalszej walidacji narzędzie może znacznie pomóc we wczesnym wykrywaniu choroby Alzheimera, dając czas na skuteczniejsze spowolnienie leczenia.
Naukowcy z Uniwersytetu Kalifornijskiego w San Francisco wykorzystali obrazy tomografii emisyjnej pozytonów (PET) 1002 mózgów ludzi do trenowania algorytmu uczenia głębokiego.
90 procent obrazów wykorzystali do nauczenia algorytmu rozpoznawania cech choroby Alzheimera, a pozostałe 10 procent do zweryfikowania jej działania.
Następnie przetestowali algorytm na obrazach PET mózgów kolejnych 40 osób. Na ich podstawie algorytm dokładnie przewidział, które osoby otrzymają ostateczną diagnozę choroby Alzheimera. Średnio diagnoza pojawiła się ponad 6 lat po badaniach.
W artykule na temat ustaleń, które Radiologia Niedawno opublikowany w czasopiśmie zespół opisuje, w jaki sposób algorytm „osiągnął 82-procentową swoistość przy 100-procentowej czułości, średnio 75,8 miesiąca przed ostateczną diagnozą”.
„Byliśmy bardzo zadowoleni” - mówi współautor dr.Jae Ho Sohn, który pracuje na uniwersyteckim wydziale radiologii i obrazowania biomedycznego, „z wydajnością algorytmu”.
„Był w stanie przewidzieć każdy przypadek, który doprowadził do choroby Alzheimera” - dodaje.
Choroba Alzheimera i obrazowanie PET
Stowarzyszenie Alzheimera szacuje, że około 5,7 miliona ludzi żyje z chorobą Alzheimera w Stanach Zjednoczonych i że liczba ta prawdopodobnie wzrośnie do prawie 14 milionów do 2050 roku.
Wcześniejsza i dokładniejsza diagnoza nie tylko przyniosłaby korzyści osobom dotkniętym chorobą, ale mogłaby także łącznie zaoszczędzić około 7,9 biliona dolarów na opiece medycznej i związanych z nią kosztach w czasie.
W miarę postępu choroby Alzheimera zmienia sposób, w jaki komórki mózgowe wykorzystują glukozę. Ta zmiana w metabolizmie glukozy ujawnia się w obrazowaniu PET, które śledzi wychwyt radioaktywnej formy glukozy zwanej 18F-fluorodeoksyglukozą (FDG).
Wydając instrukcje dotyczące tego, czego szukać, naukowcy byli w stanie wytrenować algorytm głębokiego uczenia do oceny obrazów PET FDG pod kątem wczesnych objawów choroby Alzheimera.
Uczenie głębokie „uczy się”
Naukowcy nauczyli algorytmu za pomocą ponad 2109 obrazów FDG PET mózgów 1002 osób. Wykorzystali również inne dane z Alzheimer’s Disease Neuroimaging Initiative.
Algorytm wykorzystywał głębokie uczenie się, złożony rodzaj sztucznej inteligencji, który obejmuje uczenie się na przykładach, podobnie jak uczą się ludzie.
Głębokie uczenie pozwala algorytmowi „nauczyć się”, czego szukać, dostrzegając subtelne różnice między tysiącami obrazów.
Algorytm był równie dobry, jeśli nie lepszy, niż ludzcy eksperci w analizie obrazów FDG PET.
Autorzy zauważają, że „w porównaniu z czytelnikami radiologii, model głębokiego uczenia działał lepiej, z istotnością statystyczną, w rozpoznawaniu pacjentów, u których zostanie postawiona kliniczna diagnoza [choroba Alzheimera]”.
Przyszły rozwój
Dr Sohn ostrzega, że badanie było niewielkie i że odkrycia muszą teraz przejść walidację. Będzie to wymagało użycia większych zbiorów danych i większej liczby zdjęć wykonanych w czasie od ludzi w różnych klinikach i instytucjach.
W przyszłości algorytm może być użytecznym dodatkiem do zestawu narzędzi radiologa i poprawiać możliwości wczesnego leczenia choroby Alzheimera.
Naukowcy planują również włączenie do algorytmu innych typów rozpoznawania wzorców.
Zmiana metabolizmu glukozy nie jest jedyną cechą charakterystyczną choroby Alzheimera, wyjaśnia współautor badania Youngho Seo, profesor na Wydziale Radiologii i Obrazowania Biomedycznego. Dodaje, że chorobę charakteryzuje również nieprawidłowe gromadzenie się białek.
„Jeśli FDG PET ze [sztuczną inteligencją] może przewidzieć chorobę Alzheimera, to wczesne obrazowanie blaszki beta-amyloidowej i białka tau PET może dodać kolejny wymiar ważnej mocy predykcyjnej”.
Prof. Youngho Seo
