Alcheimera slimība: mākslīgais intelekts paredz sākumu
Mākslīgā intelekta rīks, kas mācīts analizēt smadzeņu skenēšanu, var precīzi paredzēt Alcheimera slimību vairākus gadus pirms galīgās diagnozes.
Atbildīgā komanda iesaka, ka pēc turpmākas apstiprināšanas rīks varētu ievērojami palīdzēt agrīnā Alcheimera slimības atklāšanā, dodot ārstēšanās laiku efektīvākai slimības palēnināšanai.
Pētnieki no Kalifornijas Universitātes Sanfrancisko izmantoja 1002 cilvēku smadzeņu pozitronu emisijas tomogrāfijas (PET) attēlus, lai apmācītu dziļās mācīšanās algoritmu.
Viņi izmantoja 90 procentus attēlu, lai iemācītu algoritmam noteikt Alcheimera slimības pazīmes un atlikušos 10 procentus, lai pārbaudītu tā veiktspēju.
Pēc tam viņi pārbaudīja algoritmu ar vēl 40 cilvēku smadzeņu PET attēliem. No tiem algoritms precīzi paredzēja, kuri indivīdi saņems galīgo Alcheimera diagnozi. Vidēji diagnoze tika konstatēta vairāk nekā 6 gadus pēc skenēšanas.
Dokumentā par konstatējumiem, kurus Radioloģija žurnāls nesen publicēja, komanda apraksta, kā algoritms "sasniedza 82 procentu specifiskumu ar 100 procentu jutīgumu, vidēji 75,8 mēnešus pirms galīgās diagnozes".
"Mēs bijām ļoti apmierināti," saka līdzautore Dr.Jae Ho Sohn, kurš strādā universitātes radioloģijas un biomedicīnas attēlveidošanas nodaļā, "ar algoritma sniegumu".
"Tas spēja paredzēt katru gadījumu, kas progresēja līdz Alcheimera slimībai," viņš piebilst.
Alcheimera slimība un PET attēlveidošana
Alcheimera asociācija lēš, ka aptuveni 5,7 miljoni cilvēku dzīvo ar Alcheimera slimību Amerikas Savienotajās Valstīs un ka šis skaitlis līdz 2050. gadam, visticamāk, pieaugs līdz gandrīz 14 miljoniem.
Agrāka un precīzāka diagnoze ne tikai nāktu par labu skartajiem, bet arī laika gaitā kopumā varētu ietaupīt aptuveni 7,9 triljonus dolāru medicīniskās aprūpes un ar to saistītās izmaksas.
Progresējot Alcheimera slimībai, tā maina to, kā smadzeņu šūnas izmanto glikozi. Šīs izmaiņas glikozes metabolismā parādās PET veida attēlveidošanā, kas izseko glikozes radioaktīvās formas, ko sauc par 18F-fluorodeoksiglikozi (FDG), uzņemšanu.
Sniedzot norādījumus par to, kas jāmeklē, zinātnieki varēja apmācīt dziļās mācīšanās algoritmu, lai novērtētu FDG PET attēlus Alcheimera agrīnām pazīmēm.
Dziļa mācīšanās ‘māca pati’
Pētnieki mācīja algoritmu, izmantojot vairāk nekā 2109 FDG PET attēlus no 1002 cilvēku smadzenēm. Viņi izmantoja arī citus datus no Alcheimera slimības neiroizveidotās attēlveidošanas iniciatīvas.
Algoritms izmantoja dziļu mācīšanos - sarežģītu mākslīgā intelekta veidu, kas ietver mācīšanos, izmantojot piemērus, līdzīgi kā cilvēki mācās.
Dziļa mācīšanās ļauj algoritmam “iemācīt sev”, ko meklēt, pamanot smalkas atšķirības starp tūkstošiem attēlu.
Algoritms FDG PET attēlu analīzē bija tikpat labs kā pat eksperts cilvēkos.
Autori atzīmē, ka "salīdzinot ar radioloģijas lasītājiem, padziļinātās mācīšanās modelis labāk un statistiski nozīmīgi darbojās, lai atpazītu pacientus, kuriem turpinātu [Alcheimera slimības] klīnisko diagnozi."
Turpmākā attīstība
Dr Sohn brīdina, ka pētījums bija mazs un ka tagad rezultāti ir jāpārbauda. Tas ietvers lielāku datu kopu izmantošanu un vairāk attēlu, kas laika gaitā uzņemti no cilvēkiem dažādās klīnikās un iestādēs.
Nākotnē algoritms varētu būt noderīgs papildinājums radiologa rīkkopai un uzlabot iespējas agrīnai Alcheimera slimības ārstēšanai.
Pētnieki arī plāno algoritmā iekļaut citus modeļu atpazīšanas veidus.
Glikozes metabolisma izmaiņas nav vienīgā Alcheimera pazīme, skaidro pētījuma līdzautors Youngho Seo, Radioloģijas un biomedicīnas attēlveidošanas katedras profesors. Neparasts olbaltumvielu uzkrāšanās raksturo arī slimību, viņš piebilst.
"Ja FDG PET ar [mākslīgo intelektu] var prognozēt Alcheimera slimību šajā agrīnā stadijā, beta-amiloido plāksne un tau olbaltumvielu PET attēlveidošana, iespējams, var pievienot vēl vienu svarīgas prognozēšanas spējas dimensiju."
Prof. Youngho Seo
