Obwohl die Ermittler Fortschritte bei der Erkennung von Anzeichen der Alzheimer-Krankheit mit hochwertigen Bildgebungstests des Gehirns gemacht haben, die im Rahmen von Forschungsstudien gesammelt wurden, hat ein Team des Massachusetts General Hospital (MGH) kürzlich eine genaue Methode zur Erkennung entwickelt, die sich auf routinemäßig gesammelte klinische Bilder des Gehirns stützt. Der Fortschritt könnte zu genaueren Diagnosen führen.
Für die Studie, die in veröffentlicht wurde PLUS EINSMatthew Leming, PhD, wissenschaftlicher Mitarbeiter am MGH Center for Systems Biology und Forscher am Massachusetts Alzheimer’s Disease Research Center, und seine Kollegen nutzten Deep Learning – eine Art maschinelles Lernen und künstliche Intelligenz, die große und komplexe Datenmengen verwendet Algorithmen zum Trainieren von Modellen.
In diesem Fall entwickelten die Wissenschaftler ein Modell zur Erkennung der Alzheimer-Krankheit auf der Grundlage von Daten aus Magnetresonanzbildern (MRTs) des Gehirns, die von Patienten mit und ohne Alzheimer-Krankheit gesammelt wurden, die vor 2019 im MGH untersucht wurden.
Als nächstes testete die Gruppe das Modell in fünf Datensätzen – MGH nach 2019, Brigham and Women’s Hospital vor und nach 2019 sowie externe Systeme vor und nach 2019 – um zu sehen, ob es die Alzheimer-Krankheit basierend auf genau erkennen kann reale klinische Daten, unabhängig von Krankenhaus und Zeit.
Insgesamt umfasste die Forschung 11.103 Bilder von 2.348 Patienten mit Alzheimer-Risiko und 26.892 Bilder von 8.456 Patienten ohne Alzheimer-Krankheit. Über alle fünf Datensätze hinweg erkannte das Modell das Alzheimer-Risiko mit einer Genauigkeit von 90,2 %.
Zu den wichtigsten Neuerungen der Arbeit gehörte die Fähigkeit, die Alzheimer-Krankheit unabhängig von anderen Variablen wie dem Alter zu erkennen. „Die Alzheimer-Krankheit tritt typischerweise bei älteren Erwachsenen auf, und daher haben Deep-Learning-Modelle oft Schwierigkeiten, die selteneren Fälle mit frühem Ausbruch zu erkennen“, sagt Leming. „Wir haben dies angegangen, indem wir das Deep-Learning-Modell ‚blind‘ für Merkmale des Gehirns gemacht haben, die seiner Meinung nach übermäßig mit dem angegebenen Alter des Patienten in Verbindung gebracht werden.“
Leming stellt fest, dass eine weitere häufige Herausforderung bei der Erkennung von Krankheiten, insbesondere in realen Umgebungen, der Umgang mit Daten ist, die sich stark vom Trainingsdatensatz unterscheiden. Beispielsweise kann ein Deep-Learning-Modell, das mit MRTs von einem von General Electric hergestellten Scanner trainiert wurde, MRTs nicht erkennen, die mit einem von Siemens hergestellten Scanner erfasst wurden.
Das Modell verwendete eine Unsicherheitsmetrik, um zu bestimmen, ob sich die Patientendaten zu sehr von dem unterschieden, auf dem es trainiert worden war, um eine erfolgreiche Vorhersage treffen zu können.
„Dies ist eine der wenigen Studien, die routinemäßig gesammelte Gehirn-MRTs verwendet hat, um zu versuchen, Demenz zu erkennen. Während eine große Anzahl von Deep-Learning-Studien zur Alzheimer-Erkennung anhand von Gehirn-MRTs durchgeführt wurden, hat diese Studie wesentliche Schritte unternommen, um dies tatsächlich in der Realität durchzuführen. weltweiten klinischen Umgebungen im Gegensatz zu perfekten Laborumgebungen”, sagte Leming. “Unsere Ergebnisse – mit standortübergreifender, zeitübergreifender und populationsübergreifender Verallgemeinerbarkeit – sind ein starkes Argument für den klinischen Einsatz dieser Diagnosetechnologie.”
Weitere Co-Autoren sind Sudeshna Das, PhD und Hyungsoon Im, PhD.
Diese Arbeit wurde von den National Institutes of Health und vom Technology Innovation Program unterstützt, das vom Ministerium für Handel, Industrie und Energie der Republik Korea finanziert und durch einen Untervertrag mit MGH verwaltet wird.
