Kunstmatige Intelligentie Kan Helpen Alzheimer Vroeg Te Vangen

{h1}

Door kunstmatige intelligentie-algoritmen toe te passen op mri-hersenscans, hebben onderzoekers een manier ontwikkeld om automatisch een onderscheid te maken tussen patiënten met de ziekte van alzheimer en twee vroege vormen van dementie die een voorbode kunnen zijn van de geheugenbrekende ziekte.

De verwoestende neurodegeneratieve aandoening De ziekte van Alzheimer is ongeneeslijk, maar met vroege detectie kunnen patiënten behandelingen zoeken om de progressie van de ziekte te vertragen, voordat enkele belangrijke symptomen optreden. Door kunstmatige intelligentie-algoritmen toe te passen op MRI-hersenscans, hebben onderzoekers een manier ontwikkeld om automatisch een onderscheid te maken tussen patiënten met de ziekte van Alzheimer en twee vroege vormen van dementie die een voorbode kunnen zijn van de geheugenbrekende ziekte.

De onderzoekers van het VU Medisch Centrum in Amsterdam suggereren dat de aanpak uiteindelijk zou kunnen leiden tot geautomatiseerde screening en geassisteerde diagnose van verschillende vormen van dementie, vooral in centra waar ervaren neuroradiologen ontbreken.

Bovendien laten de resultaten, gepubliceerd op 6 juli in het tijdschrift Radiology, zien dat het nieuwe systeem in staat was om de vorm van dementie die patiënten leed te classificeren, met behulp van eerder ongeziene scans, met een nauwkeurigheid tot 90 procent. [10 dingen die je niet wist over de hersenen]

"Het potentieel is de mogelijkheid om met deze technieken te screenen, zodat risicopersonen kunnen worden onderschept voordat de ziekte duidelijk wordt", zegt Alle Meije Wink, een senior-onderzoeker op de afdeling radiologie en nucleaire geneeskunde van het centrum.

"Ik denk dat maar weinig patiënten op dit moment een door een machine voorspelde uitkomst zullen vertrouwen", vertelde Wink aan WordsSideKick.com. "Wat ik voor ogen zie, is dat een arts een nieuwe scan krijgt en als het wordt geladen, zou software met een zekere mate van zelfvertrouwen kunnen zeggen [dat] dit een Alzheimer-patiënt of [iemand met] een andere vorm van dementie zal zijn."

Detectiemethoden

Vergelijkbare technieken voor het leren van machines zijn al gebruikt om de ziekte van Alzheimer te detecteren; in die implementaties werden de technieken gebruikt op structurele MRI-scans van de hersenen die weefselverlies geassocieerd met de ziekte kunnen aantonen.

Maar wetenschappers weten al lang dat de hersenen functionele veranderingen ondergaan voordat deze structurele veranderingen van start gaan, aldus Wink. Positron emissie tomografie (PET) beeldvorming is een populaire methode voor het volgen van functionele veranderingen, maar het is invasief en duur, voegde hij eraan toe.

In plaats daarvan gebruikten Wink en zijn collega's een MRI-techniek genaamd arterial spin labeling (ASL), die perfusie meet - het proces van bloed dat wordt opgenomen in een weefsel - door de hersenen. De methode is nog steeds experimenteel, maar niet-invasief en toepasbaar op moderne MRI-scanners.

Eerdere studies hebben aangetoond dat mensen met Alzheimer meestal verminderde perfusie (of hypoperfusie) in hersenweefsel vertonen, wat resulteert in onvoldoende toevoer van zuurstof en voedingsstoffen naar de hersenen.

Training van het systeem

Met behulp van zogenaamde perfusiekaarten van patiënten in het medisch centrum trainde Wink's team zijn systeem om onderscheid te maken tussen patiënten met Alzheimer, milde cognitieve stoornissen (MCI) en subjectieve cognitieve achteruitgang (SCD).

In deze hersenscans kunnen classifiers worden weergegeven als discriminatiekaarten, waarbij een rode kleur aangeeft dat de intensiteit op die locatie bijdraagt ​​aan de waarschijnlijkheid van de beelden die tot de meer gevorderde fase behoren, en een blauwe kleur voor de kans om bij de minder gevorderd stadium.

In deze hersenscans kunnen classifiers worden weergegeven als discriminatiekaarten, waarbij een rode kleur aangeeft dat de intensiteit op die locatie bijdraagt ​​aan de waarschijnlijkheid van de beelden die tot de meer gevorderde fase behoren, en een blauwe kleur voor de kans om bij de minder gevorderd stadium.

Krediet: Radiological Society of North America

De hersenscans van de helft van de 260 deelnemers werden gebruikt om het systeem te trainen, en de andere helft werd vervolgens gebruikt om te testen of het systeem onderscheid kon maken tussen verschillende omstandigheden bij het kijken naar eerder onzichtbare MRI-scans.

De onderzoekers ontdekten dat hun aanpak onderscheid kon maken tussen Alzheimer en SCD met 90 procent nauwkeurigheid, en tussen Alzheimer en MCI met een nauwkeurigheid van 82 procent. Het systeem was echter onverwacht slecht in het onderscheiden van MCI en SCD, met een nauwkeurigheid van slechts 60 procent, vonden de onderzoekers. [10 manieren om je geest scherp te houden]

Verleidelijk, voorlopige resultaten suggereren dat de aanpak in staat zijn om onderscheid te maken tussen gevallen van MCI die de voortgang naar de ziekte van Alzheimer en degenen die dat niet doen, aldus de onderzoekers.

In de studie waren er slechts 24 MCI-gevallen met follow-upgegevens om aan te geven of de toestand van elke patiënt vorderde tot de ziekte van Alzheimer, met 12 in elke categorie. Daarom was het niet haalbaar om ze in twee groepen te splitsen - een om het systeem te trainen en een andere om het vermogen te testen om de conditie in ongeziene scans te classificeren, aldus de onderzoekers.

In een voorlopige analyse werd het systeem getraind in alle 24 gevallen, wat leidde tot een trainingsnauwkeurigheid van ongeveer 80 procent bij het classificeren van deze groepen en het scheiden van de groepen van de andere hoofdgroepen.

Maar zonder een aparte voorspellingsgroep was het onmogelijk om het systeem te testen op ongeziene scans, aldus de onderzoekers. Gecombineerd met de kleine steekproefomvang in de studie, zei Wink, is het te vroeg om definitieve conclusies te trekken, hoewel de voorlopige resultaten bemoedigend zijn.

Praktische toepassingen

Ender Konukoglu, een assistent-professor in de biomedische beeldverwerking aan ETH-Zürich, een universiteit voor wetenschap en techniek in Zwitserland, zei dat het combineren van machine learning en ASL nieuw is en aanzienlijke klinische toepassingen kan hebben, maar er moet meer worden gedaan om de aanpak te valideren.

De meest waardevolle toepassing is het vermogen om onderscheid te maken tussen MCI-gevallen die zich ontwikkelen tot de ziekte van Alzheimer en diegenen die dat niet doen, maar de steekproefomvang in dit onderzoek is te klein om de betrouwbaarheid voor dergelijk gebruik te beoordelen, zei hij. "Grotere cohorten kunnen aantonen dat ASL-beeldvorming in combinatie met machine learning in staat is om de MCI-groepen te classificeren, maar tot die tijd is het moeilijk om te praten over de klinische toepasbaarheid van de hier gepresenteerde methoden," vertelde Konukoglu aan WordsSideKick.com.

Wink was het ermee eens dat een manier om de nauwkeurigheid te verbeteren zou zijn om grotere gegevenssets te gebruiken. Maar de aanpak van zijn groep is het ontwikkelen van technieken voor het leren van machines die een breed scala aan gegevens van verschillende beeldverwerkingsapparatuur kunnen gebruiken, zei hij.

Christian Salvatore, een onderzoeker bij het Institute of Molecular Bioimaging and Physiology van de Italiaanse National Research Council, zei dat het onderzoek innovatief is maar geen nieuwe technieken introduceert. Het is gewoon een toepassing van een bekende machine-learning toolbox voor neuroimaging-analyse voor ASL, zei hij.

Maar de classificatieprestaties zijn goed, zei Salvatore, en de aanpak helpt ook hersengebieden te identificeren die van belang zijn voor artsen bij het diagnosticeren van deze aandoeningen. Dit is iets dat veel onderzoekers met machine learning voor neuroimage-analyse verwaarlozen, zei hij.

"Clinici willen resultaten zien - ze vertrouwen een zwarte doos die alleen het voorspelde label voor een patiënt retourneert niet", vertelde hij WordsSideKick.com. "Dus, kaarten van de belangrijkste voxels [3D pixels] voor classificatie zijn behoorlijk noodzakelijk."

Oorspronkelijk artikel over WordsSideKick.com.


Video Supplement: .




WordsSideKick.com
Alle Rechten Voorbehouden!
Reproductie Van Materialen Toegestaan Alleen Prostanovkoy Actieve Link Naar De Site WordsSideKick.com

© 2005–2019 WordsSideKick.com