AI hat gelernt, den Ausbruch der Alzheimer-Krankheit aufgrund einer leichten kognitiven Beeinträchtigung vorherzusagen.

Published on April 29, 2017

AI hat gelernt, den Ausbruch der Alzheimer-Krankheit aufgrund einer leichten kognitiven Beeinträchtigung vorherzusagen.

    Bild

    Heute ist die Alzheimer-Krankheit eine der heimtückischsten Krankheiten, und es ist sehr schwierig (und teuer), ihr Auftreten vorherzusagen. Und obwohl eine bereits entwickelte Krankheit nicht gestoppt werden kann, gibt es Hinweise darauf, dass die Früherkennung dazu beiträgt, die Alzheimer-Krankheit und den Abbau des Gehirns zu verlangsamen oder zu stoppen. Die Suche nach einem verlässlichen Weg, um das Risiko einer Erkrankung zu bestimmen, beschäftigt die Forscher.

    Mit zunehmendem Alter des menschlichen Körpers ist eine kognitive Beeinträchtigung unvermeidlich. Mit zunehmendem Alter werden die Menschen vergesslicher, verlieren häufiger ihren Gedankengang und finden es schwierig, Entscheidungen zu treffen oder Aufgaben auszuführen, die zuvor keine Schwierigkeiten bereiteten. Ärzte bezeichnen dies als leichte kognitive Beeinträchtigung. Es betrifft die meisten Menschen, wenn sie älter werden.

    Viele Menschen mit leichten kognitiven Beeinträchtigungen entwickeln eine schwerere Form - die Alzheimer-Krankheit. Eine Person verliert das Vokabular, verwendet häufig falsche Wortersetzungen, erkennt keine nahen Verwandten mehr, verliert grundlegende Fähigkeiten zur Selbstpflege und wird schließlich vollständig abhängig von anderen Menschen, die ihr helfen. Die meisten Menschen mit dieser Diagnose sterben innerhalb weniger Jahre nach der Entdeckung der Alzheimer-Krankheit.

    Interessanterweise wartet ein solches Szenario nicht auf alle Menschen mit leichten kognitiven Beeinträchtigungen. Im Laufe der Zeit kann sich der Zustand des Patienten nicht verschlechtern und in einigen Fällen sogar verbessern. Daher möchten Ärzte nach Wegen suchen, um diejenigen zu identifizieren, bei denen die Wahrscheinlichkeit einer Alzheimer-Erkrankung höher ist.

    Südkoreanische Wissenschaftler haben vorgeschlagen, zu diesem Zweck ein eingehendes Training durchzuführen. Die von ihnen entwickelte Technologie kann Menschen, die in den nächsten drei Jahren an Alzheimer erkranken, genau identifizieren.

    Das tiefe neuronale Netzwerk lernt, einzigartige Krankheitsspuren in Bildern der Positronenemissionstomographie des Gehirns (PET) zu erkennen. Es ist bekannt, dass die Alzheimer-Krankheit durch unerwünschtes Wachstum von Proteinklumpen, sogenannten Amyloid-Plaques, und durch langsamen Hirnstoffwechsel gekennzeichnet ist, der an der Geschwindigkeit gemessen wird, mit der das Gehirn Glukose verwendet.

    Bestimmte Arten von PET-Scans können Anzeichen für beide Zustände erkennen und daher zur Identifizierung von Personen mit leichten kognitiven Beeinträchtigungen verwendet werden, die letztendlich zur Entwicklung der Alzheimer-Krankheit führen.

    In der Theorie klingt es sehr ermutigend, aber in der Praxis ist es ziemlich schwierig, die resultierenden Bilder zu interpretieren. Forscher haben ein oder zwei helle Marker entdeckt, die von speziell geschulten Personen gefunden werden können. Diese Methode ist jedoch zeitaufwändig und nicht immun gegen Fehler. Daher beschlossen koreanische Wissenschaftler, Menschen durch ein tiefes neuronales Netzwerk zu ersetzen.

    In den letzten Jahren haben Alzheimer-Forscher weltweit eine Datenbank mit Gehirnbildern von Patienten mit und ohne Alzheimer-Krankheit erstellt. Und südkoreanische Kollegen verwendeten diesen Datensatz, um ein neuronales Faltungsnetzwerk zu trainieren, um den Unterschied zwischen ihnen zu erkennen.
    Bild
    (A) - Die Architektur des neuronalen Faltungsnetzwerks wird auf zwei PET-Bilder angewendet, die mit dem biologischen Analogon von Glukose, Fluordesoxyglukose und Glukose hergestellt wurdenFlorbetapir - Substanzen, die einem Patienten zur Diagnose der Alzheimer-Krankheit verabreicht werden. Jede Schichtfunktion kann unter Verwendung der dreidimensionalen Funktion der Faltung und Aktivierung (ReLU) extrahiert werden. Mehrschichtige Windungen liefern eine eindimensionale Ausgabe, und die letzte Schicht weist zwei Knoten auf, die der Alzheimer-Krankheit (AD) und dem Normalzustand des Gehirns (NC) entsprechen.

    (B) - Das tiefe neuronale Netz wurde gemäß den PET-Daten von gesunden und kranken Patienten trainiert. Die Forscher verwendeten eine zehnfache Kreuzvalidierung. Nach dem Training wurde die KI direkt zur Klassifizierung zwischen der Umwandlung in eine Krankheit und der Nichtumwandlung einer leichten kognitiven Beeinträchtigung (MCI) verwendet. Die Forscher bewerteten die Genauigkeit der Vorhersage für Patienten mit einer Störung, die zu Krankheit führen könnte. Darüber hinaus führten die Wissenschaftler eine Analyse der Betriebseigenschaften des Empfängers (ROC) durch.

    Der Datensatz bestand aus Bildern des Gehirns von 182 Menschen im Alter von 70 Jahren mit einem gesunden Gehirn und 139 Gehirnbildern von etwa gleichaltrigen Menschen, bei denen Alzheimer diagnostiziert wurde. Infolgedessen konnte die KI den Unterschied zwischen einem gesunden und einem kranken Gehirn mit einer Genauigkeit von 90% erkennen.

    Darüber hinaus analysierten die Forscher mit ihrem Gerät einen anderen Datensatz, der aus Gehirnscans von 181 Personen im Alter von 70 Jahren mit leichten kognitiven Beeinträchtigungen bestand, von denen 79 drei Jahre lang an Alzheimer erkrankten. Den Wissenschaftlern wurde die Aufgabe übertragen, die am anfälligsten für Verschlechterungen zu identifizieren.

    Gemäß den Ergebnissen des Experiments identifizierte AI diejenigen, die einem Risiko für die Entwicklung der Alzheimer-Krankheit ausgesetzt sind, mit einer Genauigkeit von 81%. Dieses Ergebnis ist viel höher als das von Ärzten, die Bilder visuell analysieren.

    Ganz allgemein ist die Technik der koreanischen Wissenschaftler nur ein Beispiel für den zunehmenden Einsatz von gründlichem Training und Bildverarbeitung in der medizinischen Diagnostik. Die verfügbaren Beweise legen nahe, dass Maschinen komplexe Zustände früher und genauer erkennen können als Menschen.

    doi: arXiv: 1704.06033