Alzheimers: Kunstig intelligens forudsiger udbrud
Et kunstigt intelligensværktøj, der læres at analysere hjerneskanninger, kan forudsige Alzheimers sygdom nøjagtigt flere år før en endelig diagnose.
Det ansvarlige hold foreslår, at værktøjet efter yderligere validering i høj grad kan hjælpe den tidlige påvisning af Alzheimers og give behandlinger tid til at bremse sygdommen mere effektivt.
Forskerne fra University of California i San Francisco brugte positron-emission tomografi (PET) billeder af 1.002 folks hjerner til at træne den dybe læringsalgoritme.
De brugte 90 procent af billederne til at lære algoritmen at få øje på træk ved Alzheimers sygdom og de resterende 10 procent for at kontrollere dens ydeevne.
Derefter testede de algoritmen på PET-billeder af hjernen hos yderligere 40 mennesker. Ud fra disse forudsagde algoritmen nøjagtigt, hvilke personer der ville modtage en endelig diagnose af Alzheimers. I gennemsnit kom diagnosen mere end 6 år efter scanningerne.
I en artikel om resultaterne, som Radiologi tidsskrift for nylig er offentliggjort, beskriver teamet, hvordan algoritmen “opnåede 82 procent specificitet ved 100 procent følsomhed, et gennemsnit på 75,8 måneder før den endelige diagnose.”
"Vi var meget tilfredse," siger medforfatter Dr.Jae Ho Sohn, der arbejder i universitetets radiologi- og biomedicinske billeddannelsesafdeling, "med algoritmens ydeevne."
"Det var i stand til at forudsige hvert enkelt tilfælde, der avancerede til Alzheimers sygdom," tilføjer han.
Alzheimers sygdom og PET-billeddannelse
Alzheimers Association vurderer, at omkring 5,7 millioner mennesker lever med Alzheimers sygdom i USA, og at dette tal sandsynligvis vil stige til næsten 14 millioner inden 2050.
Tidligere og mere nøjagtig diagnose ville ikke kun gavne de berørte, men det kunne også kollektivt spare omkring $ 7,9 billioner i lægehjælp og relaterede omkostninger over tid.
Efterhånden som Alzheimers sygdom skrider frem, ændrer den, hvordan hjerneceller bruger glukose. Denne ændring i glukosemetabolisme vises i en type PET-billeddannelse, der sporer optagelsen af en radioaktiv form af glukose kaldet 18F-fluorodeoxyglucose (FDG).
Ved at give instruktioner om, hvad de skulle se efter, var forskerne i stand til at træne den dybe læringsalgoritme til at vurdere FDG PET-billeder for tidlige tegn på Alzheimers.
Dyb læring 'lærer sig selv'
Forskerne underviste i algoritmen ved hjælp af mere end 2.109 FDG PET-billeder af 1.002 individers hjerner. De brugte også andre data fra Alzheimers Disease Neuroimaging Initiative.
Algoritmen benyttede dyb læring, en kompleks type kunstig intelligens, der involverer læring gennem eksempler, ligesom hvordan mennesker lærer.
Dyb læring gør det muligt for algoritmen at "lære sig selv" hvad man skal se efter ved at spotte subtile forskelle mellem de tusindvis af billeder.
Algoritmen var så god som, hvis ikke bedre, end menneskelige eksperter til at analysere FDG PET-billeder.
Forfatterne bemærker, at "sammenlignet med radiologilæsere klarede dyb læringsmodellen sig bedre med statistisk signifikans ved at genkende patienter, der fortsat skulle have en klinisk diagnose af [Alzheimers sygdom]."
Fremtidig udvikling
Dr. Sohn advarer om, at undersøgelsen var lille, og at resultaterne nu skal gennemgås. Dette vil indebære brug af større datasæt og flere billeder taget over tid fra mennesker på forskellige klinikker og institutioner.
I fremtiden kan algoritmen være en nyttig tilføjelse til radiologens værktøjskasse og forbedre mulighederne for tidlig behandling af Alzheimers sygdom.
Forskerne planlægger også at medtage andre typer mønstergenkendelse i algoritmen.
Ændring i glukosemetabolisme er ikke det eneste kendetegn ved Alzheimers, forklarer studieforfatter Youngho Seo, professor ved Institut for Radiologi og Biomedicinsk billeddannelse. Unormal ophobning af proteiner karakteriserer også sygdommen, tilføjer han.
"Hvis FDG PET med [kunstig intelligens] kan forudsige Alzheimers sygdom denne tidlige, kan beta-amyloidplaque og tau-protein PET-billeddannelse muligvis tilføje en anden dimension af vigtig forudsigelig kraft."
Prof. Youngho Seo
