Alzheimers: Kunstig intelligens forutsier utbrudd
Et kunstig intelligensverktøy lært å analysere hjerneskanninger kan forutsi Alzheimers sykdom nøyaktig flere år før en endelig diagnose.
Ansvarlig team foreslår at verktøyet, etter ytterligere validering, kan hjelpe tidlig påvisning av Alzheimers og gi behandlinger tid til å redusere sykdommen mer effektivt.
Forskerne, fra University of California i San Francisco, brukte positron-utslippstomografi (PET) bilder av 1002 folks hjerner for å trene den dype læringsalgoritmen.
De brukte 90 prosent av bildene for å lære algoritmen hvordan man skulle få øye på trekk ved Alzheimers sykdom og de resterende 10 prosent for å verifisere ytelsen.
Deretter testet de algoritmen på PET-bilder av hjernen til ytterligere 40 personer. Ut fra disse forutsi algoritmen nøyaktig hvilke individer som vil få en endelig diagnose av Alzheimers. I gjennomsnitt kom diagnosen mer enn 6 år etter skanningen.
I en artikkel om funnene, som Radiologi tidsskriftet nylig har publisert, beskriver teamet hvordan algoritmen "oppnådde 82 prosent spesifisitet ved 100 prosent følsomhet, et gjennomsnitt på 75,8 måneder før den endelige diagnosen."
"Vi var veldig fornøyde," sier medforfatter Dr.Jae Ho Sohn, som jobber ved universitetets radiologiske avdeling for biomedisinsk bildebehandling, "med algoritmens ytelse."
"Det var i stand til å forutsi hvert eneste tilfelle som utviklet seg til Alzheimers sykdom," legger han til.
Alzheimers sykdom og PET-avbildning
Alzheimers Association estimerer at rundt 5,7 millioner mennesker lever med Alzheimers sykdom i USA, og at dette tallet sannsynligvis vil øke til nesten 14 millioner innen 2050.
Tidligere og mer nøyaktig diagnose ville ikke bare være til fordel for de berørte, men det kunne også samlet spare rundt $ 7,9 billioner i medisinsk behandling og relaterte kostnader over tid.
Etter hvert som Alzheimers sykdom utvikler seg, endrer den hvordan hjerneceller bruker glukose. Denne endringen i glukosemetabolismen viser seg i en type PET-avbildning som sporer opptaket av en radioaktiv form av glukose kalt 18F-fluorodeoksyglukose (FDG).
Ved å gi instruksjoner om hva de skulle se etter, var forskerne i stand til å trene den dype læringsalgoritmen for å vurdere FDG PET-bilder for tidlige tegn på Alzheimers.
Dyp læring 'lærer seg selv'
Forskerne lærte algoritmen ved hjelp av mer enn 2109 FDG PET-bilder av 1002 individers hjerner. De brukte også andre data fra Alzheimers sykdom Neuroimaging Initiative.
Algoritmen benyttet dyp læring, en kompleks type kunstig intelligens som involverer læring gjennom eksempler, på samme måte som hvordan mennesker lærer.
Dyp læring gjør at algoritmen kan "lære seg selv" hva de skal se etter ved å oppdage subtile forskjeller mellom de tusenvis av bilder.
Algoritmen var like god som, om ikke bedre enn, menneskelige eksperter på å analysere FDG PET-bilder.
Forfatterne bemerker at "sammenlignet med radiologilesere, presterte den dype læringsmodellen bedre, med statistisk signifikans, ved å gjenkjenne pasienter som ville fortsette å ha en klinisk diagnose av [Alzheimers sykdom]."
Fremtidig utvikling
Dr. Sohn advarer om at studien var liten og at funnene nå må gjennomgå validering. Dette vil innebære bruk av større datasett og flere bilder tatt over tid fra mennesker ved forskjellige klinikker og institusjoner.
I fremtiden kan algoritmen være et nyttig tillegg til radiologens verktøykasse og forbedre mulighetene for tidlig behandling av Alzheimers sykdom.
Forskerne planlegger også å inkludere andre typer mønstergjenkjenning i algoritmen.
Endring i glukosemetabolisme er ikke det eneste kjennetegnet ved Alzheimers, forklarer studieforfatter Youngho Seo, professor ved Institutt for radiologi og biomedisinsk bildebehandling. Unormal opphopning av proteiner karakteriserer også sykdommen, legger han til.
"Hvis FDG PET med [kunstig intelligens] kan forutsi Alzheimers sykdom denne tidlige, kan beta-amyloidplakk og PET-bildebehandling av tau-protein muligens legge til en annen dimensjon av viktig prediktiv kraft."
Prof. Youngho Seo
