Czy AI może pomóc w diagnozowaniu choroby Alzheimera?

Według badania BioMedical Engineering Online, oparta na sztucznej inteligencji (AI) ocena danych z obrazowania tau PET może pomóc klinicystom w diagnozowaniu choroby Alzheimera.

Zespół z Kangwon National University w Chuncheon w Korei Południowej opracował i przetestował modele uczenia maszynowego do klasyfikacji stadiów choroby Alzheimera, wykorzystując szczegóły z obrazów PET pacjenta F-18 flortaucipir (nazwa pochodzi z badania). Dr Sang Won Park i współpracownicy sugerują, że dobrze działające algorytmy mogą być pomocne klinicystom w diagnozowaniu choroby. „Bardziej istotnym zastosowaniem tej technologii może być określenie, czy pacjent bez zaburzeń funkcji poznawczych zostanie sklasyfikowany z łagodnymi zaburzeniami funkcji poznawczych”.

Autorzy wyjaśnili, że w oparciu o wzorzec wychwytu, otępienie w chorobie Alzheimera można podzielić na trzy etapy: 

  • bez zaburzeń poznawczych, 
  • łagodne zaburzenia poznawcze,
  • otępienie typu alzheimerowskiego.

Skany PET odgrywają kluczową rolę w określaniu stopnia zaawansowania choroby Alzheimera w oparciu o wizualizację wychwytu radioznacznika przez złogi białka tau w mózgu. Uważa się, że złogi te biorą udział w neurodegeneracji związanej z chorobą. 

Autorzy wyjaśnili, że w oparciu o wzorzec wychwytu, otępienie w chorobie Alzheimera można podzielić na trzy etapy: 

  • bez zaburzeń poznawczych, 
  • łagodne zaburzenia poznawcze,
  • otępienie typu alzheimerowskiego.

W tym badaniu grupa miała na celu podkreślenie znaczenia tych danych obrazowych w chorobie Alzheimera, wykorzystując je jako podstawę modeli AI, które mogłyby potencjalnie zostać wykorzystane do oceny pacjentów.

Naukowcy wybrali 199 obrazów PET F-18 flortaucipir (Tauvid, Avid Radiopharmaceuticals) od pacjentów włączonych wcześniej do badania klinicznego w ramach Alzheimer’s Disease Neuroimaging Initiative, dużego międzynarodowego projektu badawczego rozpoczętego w 2004 r. Wyodrębnili zmienne kliniczne i standardowe współczynniki wartości wychwytu ( SUVR) z podstawowych skanów 74 pacjentów z zaburzeniami poznawczymi, 69 z łagodnymi zaburzeniami poznawczymi i 56 pacjentów z demencją, a następnie opracowano różne typy algorytmów do przewidywania tych etapów.

W zadaniu klasyfikacji między osobami z łagodnymi zaburzeniami poznawczymi a osobami z demencją typu Alzheimera, model maszyny wektora nośnego wykorzystujący tylko tau SUVR osiągnął pole pod krzywą charakterystyki działania odbiornika (AUC) 0,88 (p <0,05), co było najwyższym w porównaniu z innymi modelami.

Podczas klasyfikowania osób z łagodnymi zaburzeniami poznawczymi i osobami bez zaburzeń poznawczych AUC każdego modelu klasyfikacji było również wyższe w przypadku zmiennych tau SUVR niż w przypadku niezależnych zmiennych klinicznych, co zgodnie z ustaleniami dało AUC na poziomie 0,75.

Ponadto wszystkie algorytmy uczenia maszynowego działały dobrze, wykorzystując dane kliniczne i tau SUVR do klasyfikacji między pacjentami z zaburzeniami poznawczymi a pacjentami z demencją, ze średnią wartością AUC > 0,96, podała grupa.

Ostatecznie badanie potwierdza, że niezależne użycie tau SUVR ma niezwykłą wydajność w klasyfikowaniu stadiów choroby Alzheimera i że metryka może być przydatna w opracowywaniu modeli AI, które pomogą zdiagnozować chorobę, zauważyli naukowcy.

„W tym badaniu wykazaliśmy, że poziom odkładania tau jest bardzo skuteczny w klasyfikowaniu stadiów choroby Alzheimera, gdy jest używany razem z informacjami klinicznymi, które można łatwo uzyskać podczas klinicznych badań przesiewowych” – podsumowała grupa.


Follow Us

hello@radiopeiron.com