Nástroj umělé inteligence učený k analýze mozkových skenů dokáže přesně předpovědět Alzheimerovu chorobu několik let před konečnou diagnózou.

Vědci použili PET skeny k trénování algoritmu hlubokého učení k předpovědi příznaků Alzheimerovy choroby.

Odpovědný tým naznačuje, že po další validaci by tento nástroj mohl významně pomoci při včasném odhalení Alzheimerovy choroby a poskytnout léčbě čas na účinnější zpomalení onemocnění.

Vědci z Kalifornské univerzity v San Francisku použili k trénování algoritmu hlubokého učení obrazy pozitronové emisní tomografie (PET) 1 002 mozků lidí.

Použili 90 procent obrázků k výuce algoritmu, jak rozpoznat rysy Alzheimerovy choroby, a zbývajících 10 procent k ověření jejího výkonu.

Poté testovali algoritmus na PET obrazech mozků dalších 40 lidí. Z nich algoritmus přesně předpověděl, kteří jedinci dostanou konečnou diagnózu Alzheimerovy choroby. Diagnóza v průměru přišla více než 6 let po skenování.

V příspěvku o zjištěních, které Radiologie v časopise, který nedávno publikoval, tým popisuje, jak algoritmus „dosáhl 82% specificity při 100% citlivosti, průměrně 75,8 měsíce před konečnou diagnózou.“

"Byli jsme velmi potěšeni," říká spoluautor Dr.Jae Ho Sohn, který pracuje na univerzitním oddělení radiologie a biomedicínského zobrazování, „s výkonem algoritmu“.

"Dokázal předpovědět každý jednotlivý případ, který pokročil k Alzheimerově chorobě," dodává.

Alzheimerova choroba a zobrazování PET

Alzheimerova asociace odhaduje, že ve Spojených státech žije s Alzheimerovou chorobou přibližně 5,7 milionu lidí a že toto číslo pravděpodobně do roku 2050 vzroste na téměř 14 milionů.

Dřívější a přesnější diagnostika by prospěla nejen postiženým, ale mohla by také časem společně ušetřit zhruba 7,9 bilionu $ na zdravotní péči a souvisejících nákladech.

Jak Alzheimerova choroba postupuje, mění to, jak mozkové buňky používají glukózu. Tato změna v metabolismu glukózy se projevuje u typu zobrazování PET, které sleduje absorpci radioaktivní formy glukózy zvané 18F-fluorodeoxyglukóza (FDG).

Poskytnutím pokynů o tom, co hledat, mohli vědci trénovat algoritmus hlubokého učení k hodnocení PET snímků FDG pro rané příznaky Alzheimerovy choroby.

Hluboké učení se „učí samo“

Vědci naučili algoritmus pomocí více než 2 109 FDG PET snímků mozků 1 002 jedinců. Použili také další data z Iniciativy pro neuroimaging Alzheimerovy choroby.

Algoritmus využíval hluboké učení, komplexní typ umělé inteligence, který zahrnuje učení pomocí příkladů, podobně jako u lidí.

Hluboké učení umožňuje algoritmu „naučit se“, co hledat, a to tak, že zjistí jemné rozdíly mezi tisíci obrázků.

Algoritmus byl při analýze FDG PET obrazů stejně dobrý, ne-li lepší než lidští odborníci.

Autoři poznamenávají, že „ve srovnání s radiologickými čtenáři fungoval model hlubokého učení lépe, se statistickou významností, při rozpoznávání pacientů, u nichž by byla klinická diagnóza [Alzheimerovy choroby]“. “

Budoucí vývoj

Dr. Sohn varuje, že studie byla malá a že nálezy nyní musí projít validací. To bude zahrnovat použití větších datových sad a více obrázků pořízených v průběhu času od lidí na různých klinikách a institucích.

V budoucnu by tento algoritmus mohl být užitečným doplňkem sady nástrojů radiologa a zlepšit příležitosti pro včasnou léčbu Alzheimerovy choroby.

Vědci také plánují do algoritmu zahrnout další typy rozpoznávání vzorů.

Změna metabolismu glukózy není jediným charakteristickým znakem Alzheimerovy choroby, vysvětluje spoluautor studie Youngho Seo, profesor na katedře radiologie a biomedicínského zobrazování. Abnormální nahromadění bílkovin také charakterizuje onemocnění, dodává.

"Pokud FDG PET s [umělou inteligencí] dokáže předpovědět Alzheimerovu chorobu tak brzy, může beta-amyloidový plak a PET zobrazení tau proteinu přidat další rozměr důležité prediktivní síly."

Youngho Seo