Alzheimerin tauti: Tekoäly ennustaa puhkeamisen
Aivotutkimusten analysointiin opetettu tekoälytyökalu voi ennustaa tarkasti Alzheimerin taudin useita vuosia ennen lopullista diagnoosia.
Vastuullinen työryhmä ehdottaa, että lisävalidoinnin jälkeen työkalu voisi suuresti auttaa Alzheimerin taudin varhaista havaitsemista antamalla hoidoille aikaa taudin hidastamiseksi tehokkaammin.
San Franciscon Kalifornian yliopiston tutkijat käyttivät 1002 ihmisen aivojen positroniemissiotomografiakuvia (PET) syväoppimisalgoritmin kouluttamiseen.
He käyttivät 90 prosenttia kuvista opettaakseen algoritmille Alzheimerin taudin ominaisuuksien havaitsemisen ja loput 10 prosenttia sen suorituskyvyn tarkistamiseksi.
Sitten he testasivat algoritmin PET-kuvilla vielä 40 ihmisen aivoista. Näiden perusteella algoritmi ennusti tarkasti, mitkä yksilöt saisivat lopullisen Alzheimerin taudin diagnoosin. Keskimäärin diagnoosi tuli yli 6 vuotta skannausten jälkeen.
Asiakirjassa havainnoista, jotka Radiologia lehti on äskettäin julkaissut, tiimi kuvaa, kuinka algoritmi "saavutti 82 prosentin spesifisyyden 100 prosentin herkkyydellä, keskimäärin 75,8 kuukautta ennen lopullista diagnoosia".
"Olimme erittäin tyytyväisiä", kertoo toinen kirjoittaja Dr.Jae Ho Sohn, joka työskentelee yliopiston radiologian ja lääketieteellisen kuvantamisen osastolla, "algoritmin suorituskyvyn kanssa".
"Se pystyi ennustamaan jokaisen tapauksen, joka eteni Alzheimerin tautiin", hän lisää.
Alzheimerin tauti ja PET-kuvantaminen
Alzheimer's Association arvioi, että noin 5,7 miljoonaa ihmistä elää Alzheimerin taudin kanssa Yhdysvalloissa ja että tämä luku todennäköisesti nousee lähes 14 miljoonaan vuoteen 2050 mennessä.
Aikaisempi ja tarkempi diagnoosi ei hyödytä vain kärsineitä, mutta se voi myös yhdessä säästää noin 7,9 biljoonaa dollaria lääketieteellisestä hoidosta ja siihen liittyvistä kustannuksista ajan myötä.
Alzheimerin taudin edetessä se muuttaa tapaa, jolla aivosolut käyttävät glukoosia. Tämä muutos glukoosimetaboliassa näkyy eräänlaisessa PET-kuvantamisessa, joka seuraa 18F-fluorodeoksiglukoosiksi (FDG) kutsutun radioaktiivisen glukoosimuodon imeytymistä.
Antamalla ohjeita etsimiseen tutkijat pystyivät kouluttamaan syvällisen oppimisen algoritmin arvioimaan FDG-PET-kuvia Alzheimerin taudin varhaisista oireista.
Syvä oppiminen 'opettaa itseään'
Tutkijat opettivat algoritmin yli 2 109 FDG PET -kuvan avulla 1002 yksilön aivoista. He käyttivät myös muita tietoja Alzheimerin taudin neurokuvantamisaloitteesta.
Algoritmissa hyödynnettiin syvää oppimista, monimutkaista tekoälyn tyyppiä, johon sisältyy oppimista esimerkkien kautta, samalla tavalla kuin ihmiset oppivat.
Syvä oppiminen antaa algoritmin "opettaa itselleen" mitä etsiä havaitsemalla hienovaraisia eroja tuhansien kuvien välillä.
Algoritmi oli yhtä hyvä kuin jopa parempi kuin ihmisen asiantuntijat FDG PET -kuvien analysoinnissa.
Kirjoittajat huomauttavat, että "radiologian lukijoihin verrattuna syväoppimismalli toimi paremmin ja tilastollisesti merkitsevästi potilaiden tunnistamisessa, joille tehdään [Alzheimerin taudin] kliininen diagnoosi."
Tuleva kehitys
Tohtori Sohn varoittaa, että tutkimus oli pieni ja että löydökset on nyt validoitava. Tähän liittyy suurempien tietojoukkojen ja useampien kuvien käyttö, jotka on otettu ajan myötä eri klinikoiden ja laitosten ihmisiltä.
Tulevaisuudessa algoritmi voi olla hyödyllinen lisä radiologin työkalupakettiin ja parantaa mahdollisuuksia Alzheimerin taudin varhaiseen hoitoon.
Tutkijat aikovat myös sisällyttää algoritmiin muun tyyppisiä kuviotunnistuksia.
Glukoosimetabolian muutos ei ole ainoa Alzheimerin taudin tunnusmerkki, kertoo tutkimuksen Y-kirjailija Youngho Seo, Radiologian ja lääketieteellisen kuvantamisen laitoksen professori. Epänormaali proteiinien kertyminen myös luonnehtii tautia, hän lisää.
"Jos [tekoälyllä] varustettu FDG PET pystyy ennustamaan Alzheimerin taudin näin varhaisessa vaiheessa, beeta-amyloidiplakki ja tau-proteiini-PET-kuvantaminen voivat lisätä toisen tärkeän ennustavan voiman ulottuvuuden."
Professori Youngho Seo
