محققان یک روش مبتنی بر یادگیری عمیق را برای تشخیص بیماری آلزایمر بر اساس تصاویر بالینی مغز که به طور معمول جمع‌آوری شده است، توسعه داده‌اند.
اگرچه محققان در تشخیص علائم بیماری آلزایمر با استفاده از تست‌های تصویربرداری مغز با کیفیت بالا که به عنوان بخشی از مطالعات تحقیقاتی جمع‌آوری شده‌اند، گام‌هایی برداشته‌اند، تیمی در بیمارستان عمومی ماساچوست (MGH) اخیراً یک روش دقیق برای تشخیص ابداع کرده‌اند که متکی بر تصاویر بالینی مغز جمع‌آوری شده است. پیشرفت می تواند منجر به تشخیص دقیق تر شود.
برای این مطالعه محققان در مرکز تحقیقات بیماری آلزایمر ماساچوست از یادگیری عمیق – نوعی یادگیری ماشینی و هوش مصنوعی که از مقادیر زیادی داده و الگوریتم های پیچیده برای آموزش مدل ها استفاده می کند.
در این مورد، دانشمندان مدلی را برای تشخیص بیماری آلزایمر بر اساس داده های تصاویر تشدید مغناطیسی مغز (MRI) جمع آوری شده از بیماران مبتلا به آلزایمر و بدون بیماری آلزایمر که قبل از سال ۲۰۱۹ در MGH دیده شده بودند، توسعه دادند.
سپس، این گروه مدل را در پنج مجموعه داده آزمایش کردند – MGH بعد از ۲۰۱۹، بیمارستان بریگهام و زنان قبل و بعد از ۲۰۱۹، و سیستم های بیرونی قبل و بعد از ۲۰۱۹ – تا ببینند که آیا می تواند بیماری آلزایمر را به طور دقیق بر اساس تشخیص دهد.
به طور کلی، این تحقیق شامل ۱۱۱۰۳ تصویر از ۲۳۴۸ بیمار در معرض خطر ابتلا به بیماری آلزایمر و ۲۶۸۹۲ تصویر از ۸۴۵۶ بیمار بدون بیماری آلزایمر بود. در هر پنج مجموعه داده، این مدل خطر ابتلا به بیماری آلزایمر را با دقت ۹۰.۲ درصد تشخیص داد.
از جمله نوآوری های اصلی این کار، توانایی آن در تشخیص بیماری آلزایمر بدون توجه به متغیرهای دیگر، مانند سن بود.
لمینگ می‌گوید: «بیماری آلزایمر معمولاً در افراد مسن‌تر اتفاق می‌افتد، بنابراین مدل‌های یادگیری عمیق اغلب در تشخیص موارد نادر زودرس مشکل دارند. ما به این موضوع پرداختیم و مدل یادگیری عمیق را نسبت به ویژگی‌های مغز که بیش از حد با سن بیمار مرتبط است، «کور» کردیم.»
دانشمندان پیش از این آزمایشی مبتنی بر خون ایجاد کردند که برای پیش بینی خطر ابتلا به بیماری آلزایمر تا ۳.۵ سال قبل از تشخیص بالینی مورد استفاده قرار می گیرد.
اگرچه محققان در تشخیص علائم بیماری آلزایمر با استفاده از تست‌های تصویربرداری مغز با کیفیت بالا که به عنوان بخشی از مطالعات تحقیقاتی جمع‌آوری شده‌اند، گام‌هایی برداشته‌اند، تیمی در بیمارستان عمومی ماساچوست (MGH) اخیراً یک روش دقیق برای تشخیص ابداع کرده‌اند که متکی بر تصاویر بالینی مغز جمع‌آوری شده است. پیشرفت می تواند منجر به تشخیص دقیق تر شود.
برای این مطالعه محققان در مرکز تحقیقات بیماری آلزایمر ماساچوست از یادگیری عمیق – نوعی یادگیری ماشینی و هوش مصنوعی که از مقادیر زیادی داده و الگوریتم های پیچیده برای آموزش مدل ها استفاده می کند.
در این مورد، دانشمندان مدلی را برای تشخیص بیماری آلزایمر بر اساس داده های تصاویر تشدید مغناطیسی مغز (MRI) جمع آوری شده از بیماران مبتلا به آلزایمر و بدون بیماری آلزایمر که قبل از سال ۲۰۱۹ در MGH دیده شده بودند، توسعه دادند.
سپس، این گروه مدل را در پنج مجموعه داده آزمایش کردند – MGH بعد از ۲۰۱۹، بیمارستان بریگهام و زنان قبل و بعد از ۲۰۱۹، و سیستم های بیرونی قبل و بعد از ۲۰۱۹ – تا ببینند که آیا می تواند بیماری آلزایمر را به طور دقیق بر اساس تشخیص دهد.
به طور کلی، این تحقیق شامل ۱۱۱۰۳ تصویر از ۲۳۴۸ بیمار در معرض خطر ابتلا به بیماری آلزایمر و ۲۶۸۹۲ تصویر از ۸۴۵۶ بیمار بدون بیماری آلزایمر بود. در هر پنج مجموعه داده، این مدل خطر ابتلا به بیماری آلزایمر را با دقت ۹۰.۲ درصد تشخیص داد.
از جمله نوآوری های اصلی این کار، توانایی آن در تشخیص بیماری آلزایمر بدون توجه به متغیرهای دیگر، مانند سن بود.
لمینگ می‌گوید: «بیماری آلزایمر معمولاً در افراد مسن‌تر اتفاق می‌افتد، بنابراین مدل‌های یادگیری عمیق اغلب در تشخیص موارد نادر زودرس مشکل دارند. ما به این موضوع پرداختیم و مدل یادگیری عمیق را نسبت به ویژگی‌های مغز که بیش از حد با سن بیمار مرتبط است، «کور» کردیم.»
دانشمندان پیش از این آزمایشی مبتنی بر خون ایجاد کردند که برای پیش بینی خطر ابتلا به بیماری آلزایمر تا ۳.۵ سال قبل از تشخیص بالینی مورد استفاده قرار می گیرد.
کد خبر ۲۰۱۰۱۱۲۱۵.۰۵۵
