پیش بینی آلزایمر احتمالی با دقت نزدیک به 100 درصد

محققان دانشگاه Kaunas یک روش مبتنی بر یادگیری عمیق ایجاد کردند که میتواند شروع احتمالی بیماری آلزایمر را از تصاویر مغز با دقت بیش از 99 درصد پیش بینی کند. این روش در حین تجزیه و تحلیل تصاویر MRI عملکردی بدست آمده از 138 نفر و از نظر دقت، حساسیت و ویژگی بهتر از روشهای توسعه یافته قبلی انجام شد.

به گفته سازمان بهداشت جهانی، بیماری آلزایمر شایع‌ترین علت زوال عقل است که در 70 درصد موارد زوال عقل نقش دارد. در سراسر جهان، تقریباً 24 میلیون نفر تحت تأثیر قرار میگیرند و انتظار میرود این تعداد هر 20 سال دو برابر شود. با توجه به پیری جامعه، این بیماری در سالهای آینده به بار سنگینی برای سلامت عمومی تبدیل خواهد شد.

متخصصان پزشکی در سراسر جهان تلاش میکنند تا آگاهی خود را از تشخیص زودهنگام آلزایمر افزایش دهند، که به افراد آسیب دیده شانس بیشتری برای بهره مندی از درمان را میدهد. این یکی از مهمترین موضوعات برای انتخاب برای Modupe Odusami ، دانشجوی دکتری بود.

پردازش تصویر به دستگاه واگذار میشود!

یکی از اولین علائم احتمالی آلزایمر، اختلال شناختی خفیف (MCI)( یک اختلال عصبی است که در افراد مسن رخ می‌دهد و شامل اختلالات شناختی همراه با اختلالات جزئی در فعالیت‌های روزمره زندگی می‌شود) است که مرحله‌ای بین کاهش شناختی مورد انتظار از پیری طبیعی و زوال عقل است. بر اساس تحقیقات قبلی، تصویربرداری رزونانس مغناطیسی کاربردی (fMRI) میتواند برای شناسایی مناطقی در مغز که میتوانند با شروع بیماری آلزایمر مرتبط باشند، استفاده شود. مراحل اولیه MCI غالباً علائم واضحی ندارند، اما در موارد معدودی میتواند با تصویربرداری عصبی تشخیص داده شود.

با این حال، اگرچه از نظر تئوری امکان پذیر است، تجزیه و تحلیل دستی تصاویر fMRI در تلاش برای شناسایی تغییرات مرتبط با آلزایمر نه تنها به دانش خاصی نیاز دارد بلکه زمان بر است-استفاده از یادگیری عمیق و سایر روشهای هوش مصنوعی میتواند این امر را با فاصله زمانی قابل توجهی افزایش دهد. یافتن ویژگی‌های MCI لزوماً به معنای وجود بیماری نیست، زیرا میتواند علامتی از سایر بیماری‌های مرتبط باشد، اما بیشتر یک شاخص و یاور احتمالی است تا به سمت ارزیابی توسط یک متخصص پزشکی هدایت شود.

پردازش سیگنال مدرن به شما این امکان را میدهد که پردازش تصویر را به دستگاه واگذار کنید، که میتواند آن را سریعتر و با دقت کافی کامل کند. البته، ما جرات نداریم پیشنهاد دهیم که یک متخصص پزشکی باید به هر الگوریتم صد در صد تکیه کند. یک ماشین را به عنوان یک ربات در نظر بگیرید که قادر است خسته کننده‌ترین کار را برای مرتب سازی داده‌ها و جستجوی ویژگی‌ها انجام دهد. در این سناریو، پس از انتخاب الگوریتم رایانه موارد احتمالی آسیب دیده، متخصص میتواند با دقت بیشتری به آنها نگاه کند و در پایان، همه از تشخیص و درمان سریعتر به بیمار سود میبرند.

ما باید از داده‌ها حداکثر استفاده را ببریم!

مدل مبتنی بر یادگیری عمیق به عنوان همکاری ثمر بخش محققان برجسته در بخش هوش مصنوعی و با استفاده از اصلاح ResNet 18 (شبکه عصبی باقیمانده) تنظیم شده برای طبقه بندی تصاویر MRI عملکردی بدست آمده از 138 نفر، توسعه یافته است. این تصاویر به شش گروه مختلف تقسیم میشوند: از سالم تا شبه اختلال خفیف شناختی (MCI) گرفته تا بیماری آلزایمر. در مجموع، 51،443 و 27،310 تصویر از مجموعه داده های fMRI ابتکار تصویرسازی بیماری آلزایمر برای آموزش و اعتبار سنجی انتخاب شد.

این مدل توانست به طور موثر ویژگیهای MCI را در مجموعه داده داده شده پیدا کند و بهترین طبقه بندی را به ترتیب در 99,99 درصد برای MCI اولیه در مقابل AD و 99,95 درصد برای MCI دیر در مقابل AD و 99,99 درصد برای MCI در مقابل MCI اولیه، در مقایسه بدست آورد.

اگرچه این اولین تلاش برای تشخیص زودهنگام آلزایمر از داده‌های مشابه نبود، اما پیشرفت اصلی ما دقت الگوریتم است. بدیهی است که چنین اعداد بالایی نشانگر عملکرد واقعی زندگی واقعی نیستند، اما ما با موسسات پزشکی برای به دست آوردن داده‌های بیشتر همکاری میکنیم.

به گفته‌ یکی از محققین: این الگوریتم میتواند به یک نرم افزار تبدیل شود که داده‌های جمع آوری شده از گروه‌های آسیب پذیر (افراد بالای 65 سال، دارای سابقه آسیب مغزی، فشار خون بالا و غیره) را تجزیه و تحلیل کرده و ناهنجاری‌های مربوط به شروع زودهنگام آلزایمر را به پرسنل پزشکی اطلاع میدهد.

این محقق میگوید: ما باید بیشترین استفاده را از داده‌ها داشته باشیم، به همین دلیل است که گروه تحقیقاتی ما بر اصل علم باز تمرکز میکند، بنابراین هرکسی میتواند از دانش ما استفاده کرده و آن را بیشتر توسعه دهد. من معتقدم که این اصل کمک زیادی به پیشرفت جامعه میکند.

این محقق ارشد، که حوزه اصلی آن تمرکز بر استفاده از روش‌های مدرن هوش مصنوعی در پردازش سیگنال و رابط‌های چند حالته است، میگوید که مدل فوق توصیف شده میتواند در یک سیستم پیچیده‌تر ادغام شده و چندین پارامتر مختلف را تجزیه و تحلیل کند، به عنوان مثال، نظارت بر ردیابی حرکات چشم، خواندن صورت، تجزیه و تحلیل صدا، و غیره. چنین فناوری میتواند برای خودآزمایی و هشدار استفاده شود تا در صورت ایجاد نگرانی، از مشاوره حرفه‌ای کمک بخواهید. تكنولوژي‌ها ميتوانند داروها را در دسترس‌تر و ارزان‌تر قرار دهند. اگرچه هرگز (يا حداقل به زودي) جايگزين پزشك متخصص نميشوند، اما فناوري‌ها ميتوانند به دنبال تشخيص و كمك به موقع باشند.

مترجم: غزل زارعی

منبع