Kunstig Intelligens Kunne Hjælpe Med At Fange Alzheimers Tidlige

{h1}

Ved at anvende kunstige intelligensalgoritmer til mr-hjernescanning har forskere udviklet en måde at automatisk skelne mellem patienter med alzheimers og to tidlige former for demens, der kan være forstadier til den hukommelsesberøvende sygdom.

Den ødelæggende neurodegenerative tilstand Alzheimers sygdom er uhelbredelig, men med tidlig påvisning kan patienter søge behandlinger for at bremse sygdommens progression, inden der opstår nogle store symptomer. Ved at anvende kunstige intelligensalgoritmer til MR-hjernescanning har forskere udviklet en måde at automatisk skelne mellem patienter med Alzheimers og to tidlige former for demens, der kan være forstadier til den hukommelsesberøvende sygdom.

Forskerne fra VU Universitetsmedicinske Center i Amsterdam foreslår, at tilgangen i sidste ende vil muliggøre automatiseret screening og assisteret diagnose af forskellige former for demens, især i centre, der mangler erfarne neuroradiologer.

Desuden viser resultaterne, der blev offentliggjort online den 6. juli i tidsskriftet Radiology, at det nye system var i stand til at klassificere den form for demens, som patienter lider af, ved hjælp af tidligere usynlige scanninger med op til 90 procent nøjagtighed. [10 ting du ikke vidste om hjernen]

"Potentialet er muligheden for screening med disse teknikker, så folk i fare kan blive opsnappet, før sygdommen bliver tydelig," sagde alle meije Wink, en seniorforsker i centerets radiologi og nuklearmedicin afdeling.

"Jeg tror, ​​at meget få patienter i øjeblikket vil stole på et resultat, der forudsiges af en maskine," sagde Wink til WordsSideKick.com. "Hvad jeg forestiller mig, er en læge at få en ny scanning, og som den er indlæst, vil software kunne sige med en vis grad af selvtillid [at] dette vil være en Alzheimers patient eller [nogen med] en anden form for demens."

Detektionsmetoder

Lignende maskinlæringsteknikker er allerede blevet anvendt til at detektere Alzheimers sygdom; i disse implementeringer blev teknikkerne anvendt på strukturelle MRI-scanninger af hjernen, der kan vise vævstab i forbindelse med sygdommen.

Men forskere har længe vidst, at hjernen gennemgår funktionelle ændringer, før disse strukturelle ændringer skifter ind, sagde Wink. Positron emission tomography (PET) imaging har været en populær metode til sporing af funktionelle ændringer, men det er invasivt og dyrt, tilføjede han.

I stedet brugte Wink og hans kolleger en MR-teknik kaldet arteriel centrifugering (ASL), som måler perfusion - blodprocessen bliver absorberet i et væv - over hele hjernen. Metoden er stadig eksperimentel, men den er ikke invasiv og anvendelig på moderne MR-scannere.

Tidligere undersøgelser har vist, at folk med Alzheimer typisk viser nedsat perfusion (eller hypoperfusion) i hjernevæv, hvilket resulterer i utilstrækkelig tilførsel af ilt og næringsstoffer til hjernen.

Træning af systemet

Ved hjælp af såkaldte perfusionskort fra patienter på lægecentret uddannede Winks team sit system for at skelne blandt patienter, der havde Alzheimers, mild kognitiv svækkelse (MCI) og subjektivt kognitivt nedslag (SCD).

I disse hjerneskanninger kan klassifikatorerne blive repræsenteret som diskriminationskort, hvor en rød farve indikerer, at intensiteten på den pågældende placering bidrager til sandsynligheden for de billeder, der tilhører det mere avancerede stadium, og en blå farve til sandsynligheden for at tilhøre den mindre avanceret stadium.

I disse hjerneskanninger kan klassifikatorerne blive repræsenteret som diskriminationskort, hvor en rød farve indikerer, at intensiteten på den pågældende placering bidrager til sandsynligheden for de billeder, der tilhører det mere avancerede stadium, og en blå farve til sandsynligheden for at tilhøre den mindre avanceret stadium.

Kredit: Nordamerikas Radiologiske Samfund

Hjerneskanningen af ​​halvdelen af ​​de 260 deltagere blev brugt til at træne systemet, og den anden halvdel blev derefter brugt til at teste, om systemet kunne skelne mellem forskellige forhold, når man kiggede på tidligere usynlige MR-scanninger.

Forskerne opdagede, at deres tilgang kunne skelne mellem Alzheimers og SCD med 90 procent nøjagtighed, og mellem Alzheimers og MCI med 82 procent nøjagtighed. Systemet var imidlertid uventet dårligt til at skelne mellem MCI og SCD og opnåede en nøjagtighed på kun 60 procent, fandt forskerne. [10 måder at holde øje med skarpt]

Tantalizingly, foreløbige resultater tyder på tilgangen kan være i stand til at skelne mellem tilfælde af MCI, der udvikler sig til Alzheimers og dem, der ikke gør det, forskerne sagde.

I undersøgelsen var der kun 24 MCI tilfælde med opfølgningsdata for at indikere, om hver patients tilstand udviklede sig til Alzheimers, med 12 i hver kategori. Derfor var det ikke muligt at opdele dem i to grupper - en til at træne systemet og en anden til at teste sin evne til at klassificere tilstanden i usynlige scanninger - det var muligt.

I en foreløbig analyse blev systemet uddannet i alle 24 tilfælde, der førte til træningsnøjagtigheder på omkring 80 procent, når de klassificerede disse grupper og adskiller dem fra de andre hovedgrupper.

Men uden en separat forudsigelsesgruppe var det umuligt at teste systemet på usynlige scanninger, siger forskerne. Kombineret med den lille prøvestørrelse i undersøgelsen, sagde Wink, det er for tidligt at drage konkrete konklusioner, selv om de foreløbige resultater er opmuntrende.

Real-world applikationer

Ender Konukoglu, en assisterende professor i biomedicinsk billedbehandling ved ETH-Zürich, et videnskabs- og ingeniøruniversitet i Schweiz, siger, at combining machine learning og ASL er roman og kunne have betydelige kliniske anvendelser, men der skal gøres mere for at validere tilgangen.

Det mest værdifulde program er evnen til at skelne mellem MCI-tilfælde, der udvikler sig til Alzheimers og dem, der ikke gør det, men stikprøvestørrelsen i dette studie er for lille til at vurdere pålideligheden til en sådan brug, sagde han. "Større kohorter kan vise, at ASL-billeddannelse kombineret med maskinindlæring er i stand til at klassificere MCI-grupperne, men indtil da er det svært at tale om den kliniske anvendelighed af de metoder, der præsenteres her," Konukoglu fortalte WordsSideKick.com.

Wink gik ind for at en måde at forbedre nøjagtigheden på ville være at bruge større datasæt. Men den tilgang, som hans gruppe arbejder på, er at skabe maskinlærende teknikker, som kan bruge en bred vifte af data fra forskellige billeddannelsesenheder, sagde han.

Christian Salvatore, en forsker ved Institut for Molekylær Bioimaging og Fysiologi fra Det Italienske Nationale Forskningsråd, sagde, at forskningen er nyskabende, men introducerer ikke nye teknikker. Det er simpelthen en applikation af en velkendt værktøjskasse til maskinindlæring til neuroimaging analyse til ASL, sagde han.

Men klassifikationsresultaterne er gode, sagde Salvatore, og tilgangen hjælper også med at identificere hjernegrupper af interesse for læger, når de diagnosticerer disse forhold. Dette er noget, mange forskere bruger maskine læring til neuroimage analyse forsømmelse, sagde han.

"Klinikere ønsker at" se "resultater - de stoler ikke på en sort boks, der kun returnerer den forudsagte etiket til en patient," sagde han til WordsSideKick.com. "Kort over de vigtigste voxels [3D pixels] til klassificering er derfor helt nødvendige."

Originalartikel om WordsSideKick.com.


Video Supplement: Our Miss Brooks: Department Store Contest / Magic Christmas Tree / Babysitting on New Year's Eve.




DA.WordsSideKick.com
All Rights Reserved!
Reproduktion Af Materialer Tilladt Kun Prostanovkoy Aktivt Link Til Webstedet DA.WordsSideKick.com

© 2005–2019 DA.WordsSideKick.com