Anbefalet, 2019

Redaktørens Valg

Øvelse tips til graviditet
Årsager og virkninger af traumatisk hjerneskade (TBI)
Hvordan DNA kan påvirke vores reproduktive valg

Alzheimers: Kunstig intelligens forudsiger indtræden

Et kunstigt intelligensværktøj, der læres at analysere hjerneskanninger, kan nøjagtigt forudsige Alzheimers sygdom flere år før en endelig diagnose.


Forskere brugte PET-scanninger til at træne en dyb indlæringsalgoritme for at forudsige tegn på Alzheimers.

Det ansvarlige hold tyder på, at værktøjet efter yderligere validering i høj grad kan hjælpe med tidlig opdagelse af Alzheimers, hvilket giver behandlingstiden til at bremse sygdommen mere effektivt.

Forskerne fra University of California i San Francisco brugte positron-emission tomografi (PET) billeder af 1.002 folks hjerner til at uddanne den dybe læringsalgoritme.

De brugte 90 procent af billederne til at undervise algoritmen, hvordan man kan se funktionerne i Alzheimers sygdom og de resterende 10 procent for at verificere dens præstationer.

Derefter testede de algoritmen på PET-billeder af hjernerne hos en anden 40 personer. Fra disse forudsigede algoritmen nøjagtigt, hvilke personer der ville modtage en endelig diagnose af Alzheimers. I gennemsnit kom diagnosen mere end 6 år efter scanningen.

I et dokument om resultaterne, som Radiologi tidsskriftet har for nylig offentliggjort, beskriver teamet, hvordan algoritmen "opnåede 82 procent specificitet ved 100 procent følsomhed, i gennemsnit 75,8 måneder før den endelige diagnose."

"Vi var meget tilfredse," siger medforfatter Dr. Jae Ho Sohn, som arbejder i universitetets radiologi og biomedicinske billedafdeling, "med algoritmenes præstation."

"Det var i stand til at forudsige hver enkelt sag, der avancerede til Alzheimers sygdom," tilføjer han.

Alzheimers sygdom og PET-billeddannelse

Alzheimer's Association vurderer, at omkring 5,7 millioner mennesker lever med Alzheimers sygdom i USA, og at denne tal sandsynligvis vil stige til næsten 14 millioner inden 2050.

Tidligere og mere præcis diagnose ville ikke kun gavne de berørte personer, men det kunne også kollektivt spare omkring 7,9 billioner dollars i lægehjælp og dermed forbundne omkostninger over tid.

Som Alzheimers sygdom skrider frem, ændrer det, hvordan hjerneceller bruger glucose. Denne ændring i glukosemetabolismen viser sig i en type PET-billeddannelse, der følger optagelsen af ​​en radioaktiv form for glucose kaldet 18F-fluorodeoxyglucose (FDG).

Ved at give instruktioner om, hvad man skal kigge efter, kunne forskerne træne den dybe læringsalgoritme for at vurdere FDG PET-billederne for tidlige tegn på Alzheimers.

Deep learning 'lærer sig selv'

Forskerne lærte algoritmen ved hjælp af mere end 2.109 FDG PET billeder af 1.002 individer hjerner. De har også brugt andre data fra Alzheimers sygdom Neuroimaging Initiative.

Algoritmen udnyttede dyb læring, en kompleks type kunstig intelligens, der indebærer at lære gennem eksempler på samme måde som mennesker lærer.

Deep learning gør det muligt for algoritmen at "lære sig" hvad man skal se efter ved at spotte subtile forskelle blandt tusindvis af billeder.

Algoritmen var så god som, hvis ikke bedre end, menneskelige eksperter ved at analysere FDG PET-billederne.

Forfatterne bemærker, at "sammenlignet med radiologilæsere, udførte den dybe læringsmodel bedre, med statistisk betydning, at genkende patienter, der ville fortsætte med en klinisk diagnose af [Alzheimers sygdom]."

Fremtidige udviklinger

Dr. Sohn advarer om, at undersøgelsen var lille, og at resultaterne nu skal gennemgå validering. Dette vil indebære brug af større datasæt og flere billeder taget over tid fra folk på forskellige klinikker og institutioner.

I fremtiden kunne algoritmen være et nyttigt supplement til radiologens værktøjskasse og forbedre mulighederne for tidlig behandling af Alzheimers sygdom.

Forskerne planlægger også at inkludere andre former for mønstergenkendelse i algoritmen.

Ændring i glukosemetabolismen er ikke Alzheimers eneste kendetegn, forklarer studieforfatter Youngho Seo, professor i Institut for Radiologi og Biomedicinsk Imaging. Unormal opbygning af proteiner karakteriserer også sygdommen, tilføjer han.

"Hvis FDG PET med [kunstig intelligens] kan forudsige Alzheimers sygdom, kan denne tidlige beta-amyloid plaque og tau protein PET-billedbehandling muligvis tilføje en anden dimension af vigtig prædiktiv effekt."

Prof. Youngho Seo

Populære Kategorier

Top