Künstliche Intelligenz Könnte Helfen, Alzheimer Früh Zu Bekämpfen

{h1}

Durch die anwendung künstlicher intelligenz-algorithmen für mri-gehirnscans haben forscher eine möglichkeit entwickelt, automatisch zwischen patienten mit alzheimer-krankheit und zwei frühen formen von demenz zu unterscheiden, die vorläufer der gedächtniserkrankung sein können.

Der verheerende neurodegenerative Zustand der Alzheimer-Krankheit ist unheilbar, aber mit frühzeitiger Erkennung können Patienten Behandlungen suchen, um das Fortschreiten der Erkrankung zu verlangsamen, bevor einige der wichtigsten Symptome auftreten. Durch die Anwendung künstlicher Intelligenz-Algorithmen auf MRI-Gehirnscans haben Forscher nun eine Möglichkeit entwickelt, automatisch zwischen Alzheimer-Patienten und zwei frühen Formen von Demenz zu unterscheiden, die Vorläufer der Gedächtniserkrankung sein können.

Die Forscher vom VU University Medical Center in Amsterdam schlagen vor, der Ansatz könnte schließlich ein automatisiertes Screening und eine unterstützte Diagnose verschiedener Demenzformen ermöglichen, insbesondere in Zentren, in denen es keinen erfahrenen Neuroradiologen gibt.

Darüber hinaus zeigen die Ergebnisse, die am 6. Juli in der Zeitschrift Radiology online veröffentlicht wurden, dass das neue System die Demenzform klassifizieren konnte, an der die Patienten mit bislang nicht gesehenen Scans mit einer Genauigkeit von bis zu 90 Prozent leiden. [10 Dinge, die Sie über das Gehirn nicht wussten]

"Das Potenzial besteht in der Möglichkeit eines Screenings mit diesen Techniken, damit gefährdete Personen abgefangen werden können, bevor die Krankheit sichtbar wird", sagte Alle Meije Wink, leitender Ermittler in der Abteilung für Radiologie und Nuklearmedizin des Zentrums.

"Ich glaube, nur sehr wenige Patienten werden einem von einer Maschine vorhergesagten Ergebnis vertrauen", sagte Wink gegenüber WordsSideKick.com. "Was ich mir vorstelle, ist ein Arzt, der einen neuen Scan bekommt, und wenn er geladen ist, könnte Software mit einer gewissen Sicherheit sagen, dass dies ein Alzheimer-Patient oder eine andere Form von Demenz sein wird. "

Erkennungsmethoden

Ähnliche maschinelle Lerntechniken wurden bereits zur Erkennung der Alzheimer-Krankheit eingesetzt; Bei diesen Implementierungen wurden die Techniken für strukturelle MRI-Scans des Gehirns verwendet, die einen mit der Krankheit verbundenen Gewebsverlust zeigen können.

Wissenschaftler haben jedoch schon lange gewusst, dass das Gehirn funktionelle Veränderungen durchmacht, bevor diese strukturellen Veränderungen eintreten, sagte Wink. Die Positronen-Emissions-Tomographie (PET) ist eine beliebte Methode, um Funktionsänderungen nachzuverfolgen, ist aber invasiv und teuer.

Stattdessen verwendeten Wink und seine Kollegen eine MRI-Technik namens Arterial Spin Labeling (ASL), die die Durchblutung - den Prozess der Blutabsorption in ein Gewebe - im gesamten Gehirn misst. Die Methode ist noch experimentell, jedoch nicht invasiv und auf moderne MRI-Scanner anwendbar.

Frühere Studien haben gezeigt, dass Menschen mit Alzheimer typischerweise eine verminderte Durchblutung (oder Hypoperfusion) im Gehirngewebe aufweisen, was zu einer unzureichenden Versorgung des Gehirns mit Sauerstoff und Nährstoffen führt.

Das System trainieren

Anhand von sogenannten Perfusionskarten von Patienten im medizinischen Zentrum trainierte Winks Team sein System, um zwischen Patienten mit Alzheimer, leichter kognitiver Beeinträchtigung (MCI) und subjektiver kognitiver Abnahme (SCD) zu unterscheiden.

In diesen Gehirnscans können die Klassifizierer als Unterscheidungskarten dargestellt werden, wobei eine rote Farbe anzeigt, dass die Intensität an diesem Ort zur Wahrscheinlichkeit der Bilder beiträgt, die zu dem fortgeschritteneren Stadium gehören, und eine blaue Farbe zur Wahrscheinlichkeit der Zugehörigkeit zu dem weniger fortgeschrittenes Stadium.

In diesen Gehirnscans können die Klassifizierer als Unterscheidungskarten dargestellt werden, wobei eine rote Farbe anzeigt, dass die Intensität an diesem Ort zur Wahrscheinlichkeit der Bilder beiträgt, die zu dem fortgeschritteneren Stadium gehören, und eine blaue Farbe zur Wahrscheinlichkeit der Zugehörigkeit zu dem weniger fortgeschrittenes Stadium.

Bildnachweis: Radiological Society of North America

Die Gehirnscans der Hälfte der 260 Teilnehmer wurden zum Trainieren des Systems verwendet, und die andere Hälfte wurde verwendet, um zu testen, ob das System bei den zuvor ungesehenen MRI-Scans zwischen verschiedenen Bedingungen unterscheiden konnte.

Die Forscher entdeckten, dass ihr Ansatz zwischen Alzheimer und SCD mit einer Genauigkeit von 90 Prozent und zwischen Alzheimer und MCI mit einer Genauigkeit von 82 Prozent unterscheiden könnte. Das System unterschied jedoch unerwartet schlecht zwischen MCI und SCD und erreichte eine Genauigkeit von nur 60 Prozent. [10 Möglichkeiten, den Geist scharf zu halten]

Die vorläufigen Ergebnisse deuten darauf hin, dass der Ansatz in der Lage ist, zwischen MCI-Fällen, die zu Alzheimer fortschreiten, und solchen, bei denen dies nicht der Fall ist, zu unterscheiden.

In der Studie gab es nur 24 MCI-Fälle mit Follow-up-Daten, aus denen hervorgeht, ob sich der Zustand jedes Patienten bis zum Alzheimer-Syndrom entwickelt hat, in jeder Kategorie waren es 12. Daher sei es nicht möglich, sie in zwei Gruppen aufzuteilen - eine, um das System zu trainieren, und eine, um die Fähigkeit zu testen, den Zustand in unsichtbaren Scans zu klassifizieren -, war den Forschern nicht möglich.

In einer vorläufigen Analyse wurde das System in allen 24 Fällen trainiert, was zu einer Trainingsgenauigkeit von rund 80 Prozent führte, wenn diese Gruppen klassifiziert und von den anderen Hauptgruppen getrennt wurden.

Aber ohne eine eigene Vorhersagegruppe sei es unmöglich, das System mit unsichtbaren Scans zu testen, sagten die Forscher. In Verbindung mit der geringen Stichprobengröße in der Studie sei es zu früh, um eindeutige Schlussfolgerungen zu ziehen, obwohl die vorläufigen Ergebnisse ermutigend sind.

Reale Anwendungen

Ender Konukoglu, Assistenzprofessor für biomedizinische Bildverarbeitung an der ETH Zürich, eine Universität für Naturwissenschaften und Ingenieurwissenschaften in der Schweiz, sagte, die Kombination von Machine Learning und ASL sei neuartig und könnte bedeutende klinische Anwendungen haben, aber es muss noch mehr getan werden, um den Ansatz zu bestätigen.

Die wertvollste Anwendung ist die Fähigkeit, zwischen MCI-Fällen, die zu Alzheimer fortschreiten, und solchen zu unterscheiden, bei denen dies nicht der Fall ist. Die Stichprobengröße in dieser Studie ist jedoch zu gering, um die Zuverlässigkeit für eine solche Verwendung zu bewerten, sagte er. "Größere Kohorten könnten zeigen, dass ASL-Imaging in Kombination mit maschinellem Lernen die MCI-Gruppen klassifizieren kann, aber bis dahin ist es schwierig, über die klinische Anwendbarkeit der hier vorgestellten Methoden zu sprechen", sagte Konukoglu gegenüber WordsSideKick.com.

Wink stimmte zu, dass eine Möglichkeit zur Verbesserung der Genauigkeit die Verwendung größerer Datensätze ist. Der Ansatz seiner Gruppe besteht jedoch darin, maschinelle Lerntechniken zu entwickeln, die eine Vielzahl von Daten von verschiedenen Bildgebungsgeräten verwenden können, sagte er.

Christian Salvatore, Forscher am Institut für molekulare Bioimaging und Physiologie des italienischen National Research Council, sagte, die Forschung sei innovativ, führte jedoch keine neuen Techniken ein. Es ist einfach eine Anwendung einer bekannten Machine-Learning-Toolbox für die Neuroimaging-Analyse bei ASL, sagte er.

Die Klassifizierungsleistungen sind jedoch gut, sagte Salvatore, und der Ansatz hilft auch, bei der Diagnose dieser Zustände relevante Gehirnregionen für Ärzte zu identifizieren. Dies ist etwas, was viele Forscher, die maschinelles Lernen für die Analyse von Neurobildern verwenden, vernachlässigen, sagte er.

"Kliniker wollen Ergebnisse" sehen "- sie trauen keinem schwarzen Kasten, der nur das vorhergesagte Etikett für einen Patienten zurückgibt", sagte er gegenüber WordsSideKick.com. "Daher sind Karten der wichtigsten Voxel [3D-Pixel] für die Klassifizierung absolut notwendig."

Originalartikel zu WordsSideKick.com.


Videoergänzungsan: Die 5 Biologischen Naturgesetze - Die Dokumentation.




Forschung


Künstliche Intelligenz Schlägt Das Komplexeste Spiel Des Menschen
Künstliche Intelligenz Schlägt Das Komplexeste Spiel Des Menschen

Was Bing Am Besten Kann
Was Bing Am Besten Kann

Wissenschaft Nachrichten


Besserer Biokraftstoff: Mais Ohne Ohren
Besserer Biokraftstoff: Mais Ohne Ohren

Alkoholismus Zweimal So Tödlich Für Frauen Wie Für Männer
Alkoholismus Zweimal So Tödlich Für Frauen Wie Für Männer

Fakten Zu Mungo
Fakten Zu Mungo

Schlenkeraugen Des Furchterregenden Alten Raubtiers Entdeckt
Schlenkeraugen Des Furchterregenden Alten Raubtiers Entdeckt

Era Endet: Western Union Stoppt Das Senden Von Telegrammen
Era Endet: Western Union Stoppt Das Senden Von Telegrammen


DE.WordsSideKick.com
Alle Rechte Vorbehalten!
Die Wiedergabe Von Irgendwelchen Materialien Erlaubt Nur Prostanovkoy Aktiven Link Zu Der Website DE.WordsSideKick.com

© 2005–2019 DE.WordsSideKick.com