Pendekatan AI dapat membantu mendeteksi penyakit Alzheimer melalui tes pencitraan otak rutin

ringkasan: Menggunakan data neuroimaging, algoritma pembelajaran mendalam yang baru mampu mendeteksi penyakit Alzheimer dengan akurasi 90,2%.

sumber: massa publik

Meskipun para peneliti telah membuat langkah besar dalam mendeteksi tanda-tanda penyakit Alzheimer menggunakan tes pencitraan otak berkualitas tinggi yang dikumpulkan sebagai bagian dari studi penelitian, sebuah tim di Rumah Sakit Umum Massachusetts (MGH) baru-baru ini mengembangkan metode deteksi yang akurat berdasarkan gambar otak klinis yang dikumpulkan secara organik. .rutin. Kemajuan dapat menyebabkan diagnosis yang lebih akurat.

Untuk penelitian yang dipublikasikan di Tambah satuMatthew Lemming, PhD, seorang peneliti di MGH Center for Systems Biology dan penyelidik di Pusat Penelitian Penyakit Alzheimer di Massachusetts, dan rekannya menggunakan pembelajaran mendalam — sejenis pembelajaran mesin dan kecerdasan buatan yang menggunakan data dalam jumlah besar dan algoritme kompleks untuk melatih model.

Dalam hal ini, para ilmuwan mengembangkan model untuk mendeteksi penyakit Alzheimer berdasarkan data dari gambar pencitraan resonansi magnetik (MRI) otak yang dikumpulkan dari pasien dengan dan tanpa Alzheimer yang terlihat di MGH sebelum 2019.

Kemudian, kelompok tersebut menguji model tersebut di lima set data — MGH setelah 2019, Brigham and Women’s Hospital sebelum dan sesudah 2019, dan sistem eksternal sebelum dan sesudah 2019 — untuk melihat apakah model tersebut dapat secara akurat mendeteksi penyakit Alzheimer berdasarkan kebenaran data klinis global, terlepas dari rumah sakit dan waktu.

Secara keseluruhan, pencarian mencakup 11.103 gambar dari 2.348 pasien yang berisiko terkena penyakit Alzheimer dan 26.892 gambar dari 8.456 pasien tanpa penyakit Alzheimer. Di kelima set data, model tersebut mendeteksi risiko Alzheimer dengan akurasi 90,2%.

Sebuah inovasi besar dari karya tersebut adalah kemampuannya untuk mendeteksi penyakit Alzheimer terlepas dari variabel lain, seperti usia. “Penyakit Alzheimer biasanya terjadi pada orang dewasa yang lebih tua, dan model pembelajaran mendalam seringkali mengalami kesulitan mendeteksi kasus awal yang lebih jarang,” kata Lemming.

“Kami mengatasinya dengan membuat model pembelajaran mendalam ‘buta’ terhadap fitur otak yang ditemukan terlalu berkorelasi dengan usia pasien yang disertakan.”

Tantangan umum lainnya dalam deteksi penyakit, terutama di dunia nyata, catatan Lemming, adalah berurusan dengan data yang sangat berbeda dari kumpulan pelatihan. Misalnya, model pembelajaran mendalam yang dilatih tentang MRI dari pemindai buatan General Electric mungkin gagal mengenali gambar MRI yang dikumpulkan pada pemindai buatan Siemens.

Model menggunakan ukuran ketidakpastian untuk menentukan apakah data pasien terlalu berbeda dari yang telah dilatih untuk dapat membuat prediksi yang berhasil.

“Ini adalah satu-satunya studi yang secara rutin menggunakan MRI otak untuk mencoba mendeteksi demensia. Sementara sejumlah besar studi pembelajaran mendalam telah dilakukan untuk mendeteksi penyakit Alzheimer melalui MRI otak, studi ini mengambil langkah substansial untuk benar-benar melakukannya secara Realistis. lingkungan klinis daripada pengaturan laboratorium yang ideal,” kata Lemming.

“Hasil kami—dengan generalisasi di seluruh lokasi, batas waktu, dan populasi—membuat argumen kuat untuk penggunaan klinis teknologi diagnostik ini.”

Rekan penulis tambahan termasuk Sudeshna Das, PhD, dan Hyungsoon Im, PhD.

Pendanaan: Pekerjaan ini didukung oleh Institut Kesehatan Nasional dan melalui Program Inovasi Teknologi yang didanai oleh Kementerian Perdagangan, Industri, dan Energi Republik Korea, yang dikelola melalui subkontrak dengan MGH.

Tentang berita penelitian kecerdasan buatan dan penyakit Alzheimer ini

pengarang: Braddon Chase
sumber: massa publik
komunikasi: Braddon Chase – Misa Umum
gambar: Gambar berada di domain publik

Lihat juga

Pencarian asli: akses terbuka.
“Regresi kebingungan permusuhan dan langkah-langkah ketidakpastian untuk klasifikasi MRI klinis heterogen di Mass General Brigham.Oleh Matthew Lemming et al. Tambah satu

ringkasan

Regresi kebingungan permusuhan dan langkah-langkah ketidakpastian untuk klasifikasi MRI klinis heterogen di Mass General Brigham.

Dalam karya ini, kami memperkenalkan arsitektur pembelajaran mendalam baru, MUCRAN (Multi Correlative Regression Adversarial Network), untuk melatih model pembelajaran mendalam pada MRI otak dengan pembaur demografis dan teknis ditarik.

Kami melatih MUCRAN menggunakan 17.076 pemindaian MRI otak klinis T1 yang dikumpulkan dari Rumah Sakit Umum Massachusetts sebelum 2019 dan menunjukkan bahwa MUCRAN berhasil menarik kembali faktor perancu utama dalam kumpulan data klinis yang luas. Kami juga menerapkan metode untuk mengukur ketidakpastian di serangkaian model ini untuk mengecualikan data di luar distribusi secara otomatis dalam deteksi AD.

Dengan menggabungkan MUCRAN dengan metode estimasi ketidakpastian, kami menunjukkan peningkatan yang konsisten dan signifikan dalam akurasi deteksi AD untuk data MGH yang baru dikumpulkan (pasca-2019; 84,6% dengan MUCRAN vs. 72,5% tanpa MUCRAN) dan untuk data dari rumah sakit lain (90,3 %) dari rumah sakit Brigham and Women’s dan 81,0% dari rumah sakit lain).

MUCRAN menyajikan pendekatan yang dapat digeneralisasikan untuk deteksi penyakit berbasis pembelajaran mendalam dalam data klinis yang heterogen.