Software forudsiger kognitiv tilbagegang ved hjælp af hjernebilleder

Den kroniske neurologiske tilstand kaldet Alzheimers sygdom er en af ​​de mere lumske i det moderne samfund. I 2015 mente man, at omkring 30 millioner havde denne sygdom. Som en enormt dyr tilstand at håndtere, lægger dette betydelige byrder på sundhedssystemer over hele verden.

Selvom der ikke er nogen kendt måde at stoppe sygdommen på i fremskredne tilfælde, er der tegn på, at dens progression kan bremses eller standses, hvis den identificeres tidligt. Så at finde en pålidelig måde at spotte mennesker, der er i risiko for at udvikle sygdommen, er et vigtigt mål.

I dag siger Hongyoon Choi ved Cheonan Public Health Center og Kyong Hwan Jin ved Korea Advanced Institute of Science and Technology, begge i Sydkorea, at de har brugt dyb læring til at udvikle netop sådan en teknik. Disse fyre siger, at deres proces nøjagtigt kan identificere personer, der sandsynligvis vil udvikle Alzheimers i de næste tre år.

Et dybtgående netværk lærer at genkende Alzheimers unikke signatur i PET-scanningsbilleder af den menneskelige hjerne.

Kognitiv tilbagegang er uundgåelig, når vi bliver ældre. Vi har en tendens til at blive mere glemsomme, miste vores tankegang oftere og har sværere ved at træffe beslutninger eller udføre opgaver. Læger kalder dette mild kognitiv svækkelse, og det påvirker de fleste mennesker, når de bliver ældre.

Mange mennesker med let kognitiv svækkelse fortsætter med at udvikle Alzheimers, som er meget mere alvorlig. Mennesker med denne tilstand mister deres ordforråd og bruger ofte forkerte ordsubstitutioner. De holder op med at genkende nære pårørende, mister grundlæggende egenomsorgsevner og bliver til sidst helt afhængige af omsorgspersoner. De fleste dør inden for få år efter diagnosen.

Men mærkeligt nok er det ikke alle mennesker med let kognitiv svækkelse, der følger denne vej. Nogle forringes aldrig, og nogle få forbedrer sig endda. Så læger ville elske at være i stand til at spotte dem, der sandsynligvis udvikler Alzheimers, fordi de med størst sandsynlighed vil have gavn af behandling.

En måde at gøre dette på er ved at studere positronemissionstomografi (PET) scanninger af hjernen. Alzheimers er kendt for at være karakteriseret ved den uønskede vækst af proteinklumper kaldet amyloide plaques og ved en langsom hjernemetabolisme målt ved hastigheden ved hjernens brug af glukose.

Visse typer af PET-scanninger kan afsløre tegn på begge disse tilstande og kan derfor bruges til at spotte personer med let kognitiv svækkelse, som har størst risiko for at udvikle Alzheimers.

Det er teorien. I praksis er det svært at tolke billederne. Forskere har fundet en eller to stærke markører, som trænede observatører kan kigge efter, men denne metode er tidskrævende og tilbøjelig til at fejle.

Indtast Hongyoon og Kyong, som har erstattet menneskelige observatører i denne proces med et dybt-lærende neuralt netværk.

Deres metode er ligetil. I de senere år har Alzheimer-forskere verden over opbygget en database med hjernebilleder af mennesker med og uden Alzheimers. Hongyoon og Kyong bruger denne database til at træne et foldet neuralt netværk til at genkende forskellen mellem dem.

Dette datasæt består af hjernebilleder af 182 mennesker i 70'erne med normale hjerner og hjernebilleder af 139 personer på nogenlunde samme alder, som er blevet diagnosticeret med Alzheimers. Med konventionel træning lærer maskinen hurtigt at genkende forskellen med en nøjagtighed på næsten 90 procent.

Hongyoon og Kyong bruger derefter deres maskine til at analysere et andet datasæt. Dette består af hjernebilleder af 181 mennesker i 70'erne med let kognitiv svækkelse, hvoraf 79 udviklede Alzheimers inden for tre år. Opgaven som Hongyoon og Kyong satte maskinen var at få øje på disse modtagelige individer.

Resultaterne giver interessant læsning. Hongyoon og Kyong siger, at deres neurale netværk identificerede dem med risiko for at udvikle Alzheimers med en nøjagtighed på 81 procent. Det er væsentligt højere, end trænede observatører formår, når de visuelt analyserer billederne. Disse resultater viser gennemførligheden af ​​dyb læring som et værktøj til at forudsige sygdomsudfald ved hjælp af hjernebilleder, siger de.

Det er et interessant resultat. Det foreslår en relativt hurtig måde at spotte mennesker med risiko for at udvikle Alzheimers og dem, der ville have mest gavn af tidlig intervention. Det er en tilgang, der kan forbedre livskvaliteten for mange mennesker og spare overbelastede sundhedssystemer betydelige mængder af penge.

Mere generelt er Hongyoon og Kyongs teknik blot et eksempel på den voksende brug af dyb læring i medicinsk diagnose. Beviserne tyder på, at deep-learning-maskiner kan opdage komplekse tilstande tidligere og mere præcist end mennesker. Og teknikken virker til forskellige tilstande fra hjertesygdomme til kræft.

Det er klart, at dyb læring vil ændre medicinens verden. Det eneste spørgsmål til dem, der i øjeblikket lider af mild kognitiv svækkelse, er, hvor hurtigt.

Ref: arxiv.org/abs/1704.06033 : Forudsigelse af kognitiv tilbagegang med dyb indlæring af hjernemetabolisme og amyloid billeddannelse

skjule