Oprogramowanie przewiduje spadek funkcji poznawczych za pomocą obrazów mózgu

Przewlekły stan neurologiczny zwany chorobą Alzheimera jest jednym z bardziej podstępnych we współczesnym społeczeństwie. W 2015 roku około 30 milionów osób miało tę chorobę. Jako bardzo kosztowny warunek do opanowania, nakłada to znaczne obciążenia na systemy opieki zdrowotnej na całym świecie.

Chociaż nie ma znanego sposobu na zatrzymanie choroby w zaawansowanych przypadkach, istnieją dowody na to, że jej postęp może zostać spowolniony lub zatrzymany, jeśli zostanie wcześnie wykryty. Dlatego ważnym celem jest znalezienie niezawodnego sposobu na wykrycie osób zagrożonych rozwojem choroby.

Dziś Hongyoon Choi z Cheonan Public Health Centre i Kyong Hwan Jin z Korea Advanced Institute of Science and Technology, obaj w Korei Południowej, twierdzą, że wykorzystali głębokie uczenie do opracowania właśnie takiej techniki. Ci faceci twierdzą, że ich proces może dokładnie zidentyfikować osoby, które mogą zachorować na Alzheimera w ciągu najbliższych trzech lat.

Sieć głębokiego uczenia się uczy się rozpoznawać unikalną sygnaturę choroby Alzheimera na obrazach PET ludzkiego mózgu.

Spadek funkcji poznawczych jest nieunikniony wraz z wiekiem. Zwykle stajemy się bardziej zapominalscy, częściej tracimy tok myślenia i trudniej nam podejmować decyzje lub wykonywać zadania. Lekarze nazywają to łagodnym upośledzeniem funkcji poznawczych i dotyka większość ludzi wraz z wiekiem.

U wielu osób z łagodnymi zaburzeniami poznawczymi rozwija się choroba Alzheimera, która jest znacznie cięższa. Osoby z tym schorzeniem tracą słownictwo, często używając błędnych podstawień słów. Przestają rozpoznawać bliskich krewnych, tracą podstawowe umiejętności samoopieki i ostatecznie stają się całkowicie zależne od opiekunów. Większość umiera w ciągu kilku lat od diagnozy.

Ale co ciekawe, nie wszystkie osoby z łagodnymi zaburzeniami poznawczymi podążają tą ścieżką. Niektóre nigdy się nie psują, a niektóre nawet się poprawiają. Tak więc lekarze bardzo chcieliby móc wykryć osoby, które mogą zachorować na Alzheimera, ponieważ najprawdopodobniej odniosą one korzyści z leczenia.

Jednym ze sposobów, aby to zrobić, jest badanie skanów mózgu za pomocą pozytonowej tomografii emisyjnej (PET). Wiadomo, że choroba Alzheimera charakteryzuje się niepożądanym wzrostem grudek białkowych zwanych płytkami amyloidowymi oraz powolnym metabolizmem w mózgu, mierzonym na podstawie szybkości wykorzystywania glukozy przez mózg.

Niektóre rodzaje skanów PET mogą ujawnić objawy obu tych stanów i dlatego mogą być wykorzystywane do wykrywania osób z łagodnymi zaburzeniami poznawczymi, które są najbardziej narażone na rozwój choroby Alzheimera.

Taka jest teoria. W praktyce interpretacja obrazów jest trudna. Naukowcy znaleźli jeden lub dwa silne markery, których mogą szukać wyszkoleni obserwatorzy, ale ta metoda jest czasochłonna i podatna na błędy.

Wprowadź Hongyoon i Kyong, którzy zastąpili ludzkich obserwatorów w tym procesie siecią neuronową do głębokiego uczenia się.

Ich metoda jest prosta. W ostatnich latach naukowcy zajmujący się chorobą Alzheimera na całym świecie tworzyli bazę danych obrazów mózgu osób z chorobą Alzheimera i bez niej. Hongyoon i Kyong używają tej bazy danych do trenowania splotowej sieci neuronowej, aby rozpoznać różnice między nimi.

Ten zestaw danych składa się z obrazów mózgu 182 osób w wieku 70 lat z normalnym mózgiem oraz obrazów mózgu 139 osób mniej więcej w tym samym wieku, u których zdiagnozowano chorobę Alzheimera. Przy konwencjonalnym szkoleniu maszyna szybko uczy się rozpoznawać różnicę z dokładnością prawie 90 procent.

Hongyoon i Kyong używają następnie swojej maszyny do analizy innego zestawu danych. Składa się on z obrazów mózgu 181 osób w wieku 70 lat z łagodnymi zaburzeniami funkcji poznawczych, z których 79 rozwinęło chorobę Alzheimera w ciągu trzech lat. Zadaniem, które Hongyoon i Kyong ustawili w maszynie, było wykrycie tych podatnych osobników.

Wyniki stanowią ciekawą lekturę. Hongyoon i Kyong twierdzą, że ich sieć neuronowa zidentyfikowała osoby zagrożone chorobą Alzheimera z dokładnością do 81 procent. To znacznie więcej niż przeszkoleni obserwatorzy podczas wizualnej analizy obrazów. Jak twierdzą, wyniki te pokazują wykonalność głębokiego uczenia się jako narzędzia do przewidywania wyników choroby za pomocą obrazów mózgu.

To ciekawy wynik. Sugeruje to stosunkowo szybki sposób wykrywania osób zagrożonych rozwojem choroby Alzheimera i tych, które najbardziej skorzystałyby na wczesnej interwencji. Jest to podejście, które może poprawić jakość życia wielu ludzi i oszczędzić przeciążone systemy opieki zdrowotnej znaczne sumy pieniędzy.

Mówiąc bardziej ogólnie, technika Hongyoon i Kyong jest tylko jednym z przykładów rosnącego wykorzystania uczenia głębokiego w diagnostyce medycznej. Dowody sugerują, że maszyny do głębokiego uczenia się mogą wykrywać złożone warunki wcześniej i dokładniej niż ludzie. A technika działa w różnych stanach, od chorób serca po raka.

Najwyraźniej głębokie uczenie się zmieni świat medycyny. Jedynym pytaniem dla osób, które obecnie cierpią na łagodne upośledzenie funkcji poznawczych, jest to, jak szybko.

Nr ref.: arxiv.org/abs/1704.06033 : Przewidywanie spadku funkcji poznawczych dzięki głębokiemu uczeniu się metabolizmu mózgu i obrazowaniu amyloidu

ukryć