اگرچه محققان در تشخیص علائم بیماری آلزایمر با استفاده از تستهای تصویربرداری مغزی با کیفیت بالا که به عنوان بخشی از مطالعات تحقیقاتی جمعآوری شدهاند، پیشرفتهایی انجام دادهاند، تیمی در بیمارستان عمومی ماساچوست (MGH) اخیراً یک روش دقیق برای تشخیص ابداع کردهاند که بر روی تصاویر بالینی مغز جمعآوری شده بهطور معمول متکی است. پیشرفت می تواند منجر به تشخیص دقیق تر شود.
برای مطالعه، که در منتشر شده است PLOS ONEمتیو لمینگ، دکترا، محقق در مرکز زیست شناسی سیستمی MGH و محقق در مرکز تحقیقات بیماری آلزایمر ماساچوست و همکارانش از یادگیری عمیق استفاده کردند – نوعی یادگیری ماشینی و هوش مصنوعی که از مقادیر زیادی داده استفاده می کند. و الگوریتم های پیچیده برای آموزش مدل ها.
در این مورد، دانشمندان مدلی را برای تشخیص بیماری آلزایمر بر اساس داده های تصاویر تشدید مغناطیسی مغز (MRI) جمع آوری شده از بیماران مبتلا به آلزایمر و بدون بیماری آلزایمر که قبل از سال 2019 در MGH دیده شده بودند، توسعه دادند.
سپس، این گروه مدل را در پنج مجموعه داده آزمایش کردند – MGH بعد از 2019، بیمارستان بریگهام و زنان قبل و بعد از 2019، و سیستم های بیرونی قبل و بعد از 2019 – تا ببینند که آیا می تواند بیماری آلزایمر را بر اساس واقعی تشخیص دهد یا خیر. داده های بالینی جهان، صرف نظر از بیمارستان و زمان.
به طور کلی، این تحقیق شامل 11103 تصویر از 2348 بیمار در معرض خطر ابتلا به بیماری آلزایمر و 26892 تصویر از 8456 بیمار بدون بیماری آلزایمر بود. در هر پنج مجموعه داده، این مدل خطر ابتلا به بیماری آلزایمر را با دقت 90.2 درصد تشخیص داد.
از جمله نوآوری های اصلی این کار، توانایی آن در تشخیص بیماری آلزایمر بدون توجه به متغیرهای دیگر، مانند سن بود. لمینگ میگوید: «بیماری آلزایمر معمولاً در افراد مسنتر اتفاق میافتد، بنابراین مدلهای یادگیری عمیق اغلب در تشخیص موارد نادر زودرس مشکل دارند. ما به این مسئله پرداختیم و مدل یادگیری عمیق را نسبت به ویژگیهایی از مغز که بیش از حد با سن بیمار مرتبط است، نابینا کردیم.»
لمینگ خاطرنشان میکند که یکی دیگر از چالشهای رایج در تشخیص بیماری، بهویژه در محیطهای واقعی، برخورد با دادههایی است که بسیار متفاوت از مجموعه آموزشی هستند. به عنوان مثال، یک مدل یادگیری عمیق که بر روی MRI های اسکنر ساخته شده توسط جنرال الکتریک آموزش داده شده است، ممکن است ام آر آی های جمع آوری شده روی اسکنر تولید شده توسط زیمنس را تشخیص ندهد.
این مدل از یک معیار عدم قطعیت برای تعیین اینکه آیا دادههای بیمار بسیار متفاوت از آنچه در آن آموزش داده شده بود استفاده کرد تا بتواند یک پیشبینی موفق را انجام دهد.
این یکی از تنها مطالعاتی است که از MRIهای مغز جمعآوری شده بهطور معمول برای شناسایی زوال عقل استفاده میکند. در حالی که تعداد زیادی از مطالعات یادگیری عمیق برای تشخیص آلزایمر از MRI مغز انجام شده است، این مطالعه گامهای مهمی را در جهت انجام واقعی این کار انجام داد. لمینگ گفت: تنظیمات بالینی جهانی بر خلاف تنظیمات آزمایشگاهی کامل. “نتایج ما – با قابلیت تعمیم بین سایتی، زمانی متقاطع و متقابل جمعیت – یک مورد قوی برای استفاده بالینی از این فناوری تشخیصی ایجاد می کند.”
اطلاعات بیشتر:
متیو لمینگ و همکاران، رگرسیون مخدوش و اندازهگیریهای عدم قطعیت برای طبقهبندی MRI بالینی ناهمگن در Mass General Brigham، PLOS ONE (2023). DOI: 10.1371/journal.pone.0277572
ارائه شده توسط بیمارستان عمومی ماساچوست
نقل قول: رویکرد هوش مصنوعی ممکن است به تشخیص بیماری آلزایمر از آزمایشهای معمول تصویربرداری مغز کمک کند (2023، 3 مارس) بازیابی شده در 3 مارس 2023 از https://medicalxpress.com/news/2023-03-artifical-intelligence-approach-alzheimer-disease.html
این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.