ИИ научился предсказывать возникновение болезни Альцгеймера из легкого когнитивного расстройства

Сегодня болезнь Альцгеймера — одно из самых коварных заболеваний, её возникновение очень сложно (и дорого) предугадать. И хотя уже развившуюся болезнь остановить нельзя, есть свидетельства того, что выявление на ранней стадии помогает замедлить или остановить болезнь Альцгеймера и деградацию мозга. Поэтому поиск надежного способа определить подверженность риску развития заболевания занимает умы исследователей.

По мере старения человеческого организма когнитивные нарушения неизбежны. С возрастом люди становятся более забывчивыми, чаще теряют ход мыслей и затрудняются принимать решения или выполнять задачи, которые раньше не вызывали трудностей. Врачи называют это мягким когнитивным нарушением. Оно затрагивает большинство людей, когда они становятся старше.

У многих людей с легкими когнитивными нарушениями развивается более тяжелая форма — болезнь Альцгеймера. Человек теряет словарный запас, часто использует неправильные замены слов, перестает признавать близких родственников, теряет базовые навыки самостоятельного ухода за собой и в конечном итоге становится полностью зависим от других людей, которые помогают ему. Большая часть людей с таким диагнозом умирает в течение нескольких лет после обнаружения болезни Альцгеймера.

Интересно то, что такой сценарий ждет не всех людей с легкими когнитивными расстройствами. Со временем состояние пациента может не ухудшаться, а в некоторых случаях даже улучшаться. Поэтому врачи хотят найти способы выявить тех, у кого с большей вероятностью разовьется болезнь Альцгеймера.

Южнокорейские ученые предложили использовать для этой цели глубинное обучение. Технология, которую они разработали, может точно определить людей, у которых болезнь Альцгеймера может развиться в ближайшие три года.

Глубокая нейронная сеть учится распознавать уникальные следы болезни на снимках позитронно-эмиссионной томографии мозга (ПЭТ). Известно, что болезнь Альцгеймера характеризуется нежелательным ростом белковых комков, называемых амилоидными бляшками, и медленным метаболизмом мозга, который измеряется скоростью того, как мозг использует глюкозу.

Определенные типы ПЭТ-сканирования могут выявлять признаки обоих этих состояний, и потому их можно использовать для выявления у людей умеренных когнитивных нарушений, которые в конечном счете приведут к развитию болезни Альцгеймера.

В теории звучит весьма обнадеживающе, но на практике интерпретировать получающиеся изображения достаточно трудно. Исследователи обнаружили один-два ярких маркера, которые могут найти специально обученные люди, но этот метод требует много времени и не застрахован от ошибок. Поэтому корейские ученые решили заменить людей глубинной нейронной сетью.

В последние годы исследователи болезни Альцгеймера во всем мире создают базу данных изображений головного мозга пациентов с болезнью Альцгеймера и без. И южнокорейские коллеги воспользовались этим датасетом, чтобы обучить сверточную нейронную сеть распознавать разницу между ними.

(А) — Архитектура сверточной нейронной сети применяется к двум изображениям ПЭТ, сделанных при помощи биологического аналога глюкозы — фтордезоксиглюкозы и флорбетапира — веществ, вводимых пациенту для диагностики болезни Альцгеймера. Каждый слой, функция могут быть извлечены с помощью трехмерной функции свертки и активации (ReLU). Многослойные свертки дают одномерный выход, а последний слой имеет два узла, которые соответствуют болезни Альцгеймера (AD) и нормальному состоянию мозга (NC).

(B) — Глубинная нейронная сеть была обучена по данным ПЭТ от здоровых и больных пациентов. Исследователи использовали десятикратную перекрестную проверку. После обучения ИИ непосредственно использовали для классификации между преобразующимся в болезнь или не преобразующимся мягким когнитивным нарушением (MCI). Исследователи провели оценку точности прогноза для пациентов с нарушением, которое может привести к болезни. Кроме того, ученые также выполнили анализ рабочей характеристики приемника (ROC).

Набор данных состоял из изображений мозга 182 человек в возрасте 70 лет со здоровым мозгом и 139 снимков мозга людей примерно того же возраста, у которых был диагностирован Альцгеймер. В результате ИИ смог распознать разницу между здоровым и больным мозгом с точностью 90%.

Кроме того, исследователи использовали свою машину для анализа другого набора данных, который состоял из сканов мозга 181 человека в возрасте 70 лет с мягким когнитивным расстройством, 79 из которых подверглись развитию болезни Альцгеймера в течение трех лет. Задача, поставленная перед учеными, заключалась в том, чтобы определить этих наиболее восприимчивых к ухудшению состояния людей.

Согласно результатам эксперимента, ИИ выявил тех, кто подвержен риску развития болезни Альцгеймера с точностью 81%. Этот результат значительно выше того, который выдают врачи, визуально анализирующие снимки.

В более общем плане техника корейских ученых является лишь одним из примером все более широкого использования глубинного обучения и машинного зрения в медицинской диагностике. Имеющиеся данные свидетельствуют о том, что машины могут определять сложные условия раньше и точнее, чем люди.

Сегодня болезнь Альцгеймера — одно из самых коварных заболеваний, её возникновение очень сложно (и дорого) предугадать. И хотя уже развившуюся болезнь остановить нельзя, есть свидетельства того, что выявление на ранней стадии помогает замедлить или остановить болезнь Альцгеймера и деградацию мозга. Поэтому поиск надежного способа определить подверженность риску развития заболевания занимает умы исследователей.

По мере старения человеческого организма когнитивные нарушения неизбежны. С возрастом люди становятся более забывчивыми, чаще теряют ход мыслей и затрудняются принимать решения или выполнять задачи, которые раньше не вызывали трудностей. Врачи называют это мягким когнитивным нарушением. Оно затрагивает большинство людей, когда они становятся старше.

У многих людей с легкими когнитивными нарушениями развивается более тяжелая форма — болезнь Альцгеймера. Человек теряет словарный запас, часто использует неправильные замены слов, перестает признавать близких родственников, теряет базовые навыки самостоятельного ухода за собой и в конечном итоге становится полностью зависим от других людей, которые помогают ему. Большая часть людей с таким диагнозом умирает в течение нескольких лет после обнаружения болезни Альцгеймера.

Интересно то, что такой сценарий ждет не всех людей с легкими когнитивными расстройствами. Со временем состояние пациента может не ухудшаться, а в некоторых случаях даже улучшаться. Поэтому врачи хотят найти способы выявить тех, у кого с большей вероятностью разовьется болезнь Альцгеймера.

Южнокорейские ученые предложили использовать для этой цели глубинное обучение. Технология, которую они разработали, может точно определить людей, у которых болезнь Альцгеймера может развиться в ближайшие три года.

Глубокая нейронная сеть учится распознавать уникальные следы болезни на снимках позитронно-эмиссионной томографии мозга (ПЭТ). Известно, что болезнь Альцгеймера характеризуется нежелательным ростом белковых комков, называемых амилоидными бляшками, и медленным метаболизмом мозга, который измеряется скоростью того, как мозг использует глюкозу.

Определенные типы ПЭТ-сканирования могут выявлять признаки обоих этих состояний, и потому их можно использовать для выявления у людей умеренных когнитивных нарушений, которые в конечном счете приведут к развитию болезни Альцгеймера.

В теории звучит весьма обнадеживающе, но на практике интерпретировать получающиеся изображения достаточно трудно. Исследователи обнаружили один-два ярких маркера, которые могут найти специально обученные люди, но этот метод требует много времени и не застрахован от ошибок. Поэтому корейские ученые решили заменить людей глубинной нейронной сетью.

В последние годы исследователи болезни Альцгеймера во всем мире создают базу данных изображений головного мозга пациентов с болезнью Альцгеймера и без. И южнокорейские коллеги воспользовались этим датасетом, чтобы обучить сверточную нейронную сеть распознавать разницу между ними.

(А) — Архитектура сверточной нейронной сети применяется к двум изображениям ПЭТ, сделанных при помощи биологического аналога глюкозы — фтордезоксиглюкозы и флорбетапира — веществ, вводимых пациенту для диагностики болезни Альцгеймера. Каждый слой, функция могут быть извлечены с помощью трехмерной функции свертки и активации (ReLU). Многослойные свертки дают одномерный выход, а последний слой имеет два узла, которые соответствуют болезни Альцгеймера (AD) и нормальному состоянию мозга (NC).

(B) — Глубинная нейронная сеть была обучена по данным ПЭТ от здоровых и больных пациентов. Исследователи использовали десятикратную перекрестную проверку. После обучения ИИ непосредственно использовали для классификации между преобразующимся в болезнь или не преобразующимся мягким когнитивным нарушением (MCI). Исследователи провели оценку точности прогноза для пациентов с нарушением, которое может привести к болезни. Кроме того, ученые также выполнили анализ рабочей характеристики приемника (ROC).

Набор данных состоял из изображений мозга 182 человек в возрасте 70 лет со здоровым мозгом и 139 снимков мозга людей примерно того же возраста, у которых был диагностирован Альцгеймер. В результате ИИ смог распознать разницу между здоровым и больным мозгом с точностью 90%.

Кроме того, исследователи использовали свою машину для анализа другого набора данных, который состоял из сканов мозга 181 человека в возрасте 70 лет с мягким когнитивным расстройством, 79 из которых подверглись развитию болезни Альцгеймера в течение трех лет. Задача, поставленная перед учеными, заключалась в том, чтобы определить этих наиболее восприимчивых к ухудшению состояния людей.

Согласно результатам эксперимента, ИИ выявил тех, кто подвержен риску развития болезни Альцгеймера с точностью 81%. Этот результат значительно выше того, который выдают врачи, визуально анализирующие снимки.

В более общем плане техника корейских ученых является лишь одним из примером все более широкого использования глубинного обучения и машинного зрения в медицинской диагностике. Имеющиеся данные свидетельствуют о том, что машины могут определять сложные условия раньше и точнее, чем люди.