Alzheimers: Artificiell intelligens förutspår början
Ett verktyg för artificiell intelligens som lärs ut att analysera hjärnskanningar kan exakt förutsäga Alzheimers sjukdom flera år innan en slutlig diagnos.
Det ansvariga teamet föreslår att verktyget, efter ytterligare validering, skulle kunna hjälpa den tidiga upptäckten av Alzheimers, vilket ger behandlingar tid för att sakta ner sjukdomen mer effektivt.
Forskarna från University of California i San Francisco använde positronemissionstomografi (PET) -bilder av 1002 människors hjärnor för att träna algoritmen för djupinlärning.
De använde 90 procent av bilderna för att lära algoritmen hur man upptäcker egenskaper hos Alzheimers sjukdom och de återstående 10 procent för att verifiera dess prestanda.
De testade sedan algoritmen på PET-bilder av hjärnorna hos ytterligare 40 personer. Ur dessa förutsagde algoritmen exakt vilka individer som skulle få en slutgiltig diagnos av Alzheimers. I genomsnitt kom diagnosen mer än 6 år efter skanningarna.
I en artikel om resultaten, som Radiologi tidskriften nyligen publicerat beskriver teamet hur algoritmen "uppnådde 82 procents specificitet vid 100 procents känslighet, i genomsnitt 75,8 månader före den slutliga diagnosen."
"Vi var mycket nöjda", säger medförfattare Dr.Jae Ho Sohn, som arbetar på universitetets radiologiska och biomedicinska avbildningsavdelning, "med algoritmens prestanda."
"Det kunde förutsäga varje enskilt fall som utvecklades till Alzheimers sjukdom", tillägger han.
Alzheimers sjukdom och PET-avbildning
Alzheimers Association uppskattar att cirka 5,7 miljoner människor lever med Alzheimers sjukdom i USA och att denna siffra sannolikt kommer att stiga till nästan 14 miljoner år 2050.
Tidigare och mer korrekt diagnos skulle inte bara gynna de drabbade, men det kan också kollektivt spara cirka 7,9 biljoner dollar i medicinsk vård och relaterade kostnader över tiden.
När Alzheimers sjukdom utvecklas förändras det hur hjärnceller använder glukos. Denna förändring i glukosmetabolism uppträder i en typ av PET-avbildning som spårar upptagningen av en radioaktiv form av glukos som kallas 18F-fluorodeoxyglukos (FDG).
Genom att ge instruktioner om vad man skulle leta efter kunde forskarna träna den djupa inlärningsalgoritmen för att bedöma FDG PET-bilder för tidiga tecken på Alzheimers.
Djupt lärande ”lär sig själv”
Forskarna lärde ut algoritmen med hjälp av mer än 2109 FDG PET-bilder av 1002 individs hjärnor. De använde också andra uppgifter från Alzheimers sjukdom Neuroimaging Initiative.
Algoritmen använde djupt lärande, en komplex typ av artificiell intelligens som involverar inlärning genom exempel, på samma sätt som hur människor lär sig.
Djupinlärning gör det möjligt för algoritmen att ”lära sig själv” vad man ska leta efter genom att upptäcka subtila skillnader mellan tusentals bilder.
Algoritmen var lika bra som, om inte bättre än, mänskliga experter på att analysera FDG PET-bilder.
Författarna noterar att "jämfört med radiologiläsare presterade djupinlärningsmodellen bättre, med statistisk signifikans, när det gäller att känna igen patienter som skulle fortsätta ha en klinisk diagnos av [Alzheimers sjukdom]."
Framtida utveckling
Dr Sohn varnar för att studien var liten och att resultaten nu måste genomgå validering. Detta kommer att innebära att man använder större datamängder och fler bilder tagna över tid från människor vid olika kliniker och institutioner.
I framtiden kan algoritmen vara ett användbart tillskott till radiologens verktygslåda och förbättra möjligheterna till tidig behandling av Alzheimers sjukdom.
Forskarna planerar också att inkludera andra typer av mönsterigenkänning i algoritmen.
Förändring av glukosmetabolismen är inte det enda kännetecknet för Alzheimers, förklarar medförfattare Youngho Seo, professor vid institutionen för radiologi och biomedicinsk bildbehandling. Onormal uppbyggnad av proteiner kännetecknar också sjukdomen, tillägger han.
"Om FDG PET med [artificiell intelligens] kan förutsäga Alzheimers sjukdom så tidigt, kan beta-amyloidplack och tau-protein PET-avbildning möjligen lägga till ytterligare en dimension av viktig förutsägbar kraft."
Prof. Youngho Seo
