Photo:harvard
Αν και οι ερευνητές έχουν κάνει βήματα στην ανίχνευση σημαδιών της νόσου του Αλτσχάιμερ χρησιμοποιώντας τεστ απεικόνισης εγκεφάλου υψηλής ποιότητας που συλλέχθηκαν ως μέρος ερευνητικών μελετών, μια ομάδα στο Γενικό Νοσοκομείο της Μασαχουσέτης (MGH) ανέπτυξε πρόσφατα μια ακριβή μέθοδο ανίχνευσης που βασίζεται σε κλινικές εικόνες εγκεφάλου που συλλέγονται τακτικά στα νοσοκομεία. Η πρόοδος θα μπορούσε να οδηγήσει σε πιο ακριβείς διαγνώσεις.
Για τη μελέτη, η οποία δημοσιεύεται στο PLOS ONE , ο Matthew Leming, PhD, ερευνητής στο MGH’s Center for Systems Biology και ερευνητής στο Ερευνητικό Κέντρο για τη Νόσο Alzheimer της Μασαχουσέτης, και οι συνάδελφοί του χρησιμοποίησαν AI και βαθιά μάθηση – έναν τύπο μηχανικής μάθησης και τεχνητή νοημοσύνη που χρησιμοποιεί μεγάλες ποσότητες δεδομένων και πολύπλοκους αλγόριθμους για την εκπαίδευση μοντέλων.
Σε αυτή την περίπτωση, οι επιστήμονες
1. Ανέπτυξαν ένα μοντέλο για την ανίχνευση της νόσου του Αλτσχάιμερ με βάση δεδομένα από εικόνες μαγνητικού συντονισμού εγκεφάλου (MRIs) που συλλέχθηκαν από ασθενείς με και χωρίς νόσο του Αλτσχάιμερ που είχαν εμφανιστεί στο MGH πριν από το 2019.
2. Στη συνέχεια, η ομάδα εξέτασε το μοντέλο σε πέντε σύνολα δεδομένων
- -MGH μετά το 2019,
- -Brigham and Women’s Hospital πριν το 2019′
- -Brigham and Women’s Hospital πριν το 2019
- -εξωτερικά συστήματα πριν το 2019
- -εξωτερικά συστήματα μετά το 2019
για να δει αν θα μπορούσε να ανιχνεύσει με ακρίβεια τη νόσο του Αλτσχάιμερ με βάση κλινικά δεδομένα πραγματικού κόσμου, ανεξαρτήτως νοσοκομείου και χρόνου.
Συνολικά, η έρευνα περιελάμβανε 11.103 εικόνες από 2.348 ασθενείς με κίνδυνο για νόσο του Αλτσχάιμερ και 26.892 εικόνες από 8.456 ασθενείς χωρίς νόσο του Αλτσχάιμερ. Και στα πέντε σύνολα δεδομένων, το μοντέλο τεχνητής νοημοσύνης, εντόπισε τον κίνδυνο νόσου Αλτσχάιμερ με ακρίβεια 90,2%.
Μεταξύ των βασικών καινοτομιών της εργασίας ήταν η ικανότητά του να ανιχνεύει τη νόσο του Αλτσχάιμερ ανεξάρτητα από άλλες μεταβλητές, όπως η ηλικία. «Η νόσος του Αλτσχάιμερ εμφανίζεται συνήθως σε ενήλικες μεγαλύτερης ηλικίας και έτσι τα μοντέλα βαθιάς μάθησης συχνά δυσκολεύονται να εντοπίσουν τις πιο σπάνιες περιπτώσεις πρώιμης έναρξης», λέει ο Leming. «Αντιμετωπίσαμε αυτό κάνοντας το μοντέλο βαθιάς μάθησης «τυφλό» σε χαρακτηριστικά του εγκεφάλου που βρίσκει ότι σχετίζονται υπερβολικά με την αναφερόμενη ηλικία του ασθενούς».
Ο Leming σημειώνει ότι μια άλλη κοινή πρόκληση στην ανίχνευση ασθενειών, ειδικά σε πραγματικές συνθήκες, είναι η αντιμετώπιση δεδομένων που είναι πολύ διαφορετικά από το σύνολο εκπαίδευσης. Για παράδειγμα, ένα μοντέλο βαθιάς μάθησης που έχει εκπαιδευτεί σε μαγνητικές τομογραφίες από έναν σαρωτή που κατασκευάζεται από την General Electric μπορεί να μην αναγνωρίσει τις μαγνητικές τομογραφίες που συλλέγονται σε έναν σαρωτή που κατασκευάζεται από τη Siemens.
Το μοντέλο χρησιμοποίησε μια μέτρηση αβεβαιότητας για να καθορίσει εάν τα δεδομένα ασθενών ήταν πολύ διαφορετικά από αυτά στα οποία είχε εκπαιδευτεί για να μπορέσει να κάνει μια επιτυχημένη πρόβλεψη.
Ενώ έχει διεξαχθεί μεγάλος αριθμός μελετών για την ανίχνευση του Αλτσχάιμερ από μαγνητικές τομογραφίες εγκεφάλου, αυτή η μελέτη έκανε σημαντικά βήματα προς την δυνατότητα μελετών βαθιάς μάθησης, με βάση πραγματικές παγκόσμιες κλινικές ρυθμίσεις σε αντίθεση με τις τέλειες εργαστηριακές ρυθμίσεις», δήλωσε ο Leming.
🆂🅼🅰🆁🆃🅿🅷🅾🅽🅴🅶🆁🅴🅴🅲🅴 