211service.com
Programvara förutsäger kognitiv försämring med hjälp av hjärnbilder
Det kroniska neurologiska tillståndet som kallas Alzheimers sjukdom är ett av de mer lömska i det moderna samhället. Under 2015 troddes cirka 30 miljoner ha denna sjukdom. Som ett oerhört dyrt tillstånd att hantera, lägger detta betydande bördor på hälso- och sjukvårdssystemen över hela världen.
Även om det inte finns något känt sätt att stoppa sjukdomen i avancerade fall, finns det bevis för att dess utveckling kan bromsas eller stoppas om den identifieras tidigt. Så att hitta ett pålitligt sätt att upptäcka människor som löper risk att utveckla sjukdomen är ett viktigt mål.
Idag säger Hongyoon Choi vid Cheonan Public Health Center och Kyong Hwan Jin vid Korea Advanced Institute of Science and Technology, båda i Sydkorea, att de har använt djupinlärning för att utveckla just en sådan teknik. Dessa killar säger att deras process exakt kan identifiera personer som sannolikt kommer att utveckla Alzheimers under de kommande tre åren.
Ett nätverk för djupinlärning lär sig känna igen den unika signaturen av Alzheimers i PET-skanningsbilder av den mänskliga hjärnan.
Kognitiv nedgång är oundviklig när vi åldras. Vi tenderar att bli mer glömska, tappa våra tankar oftare och få svårare att fatta beslut eller utföra uppgifter. Läkare kallar detta mild kognitiv funktionsnedsättning, och det påverkar de flesta när de blir äldre.
Många människor med lätt kognitiv funktionsnedsättning utvecklar Alzheimers, som är mycket allvarligare. Människor med detta tillstånd tappar sitt ordförråd och använder ofta felaktiga ordsubstitutioner. De slutar känna igen nära anhöriga, förlorar grundläggande egenvårdsförmåga och blir så småningom helt beroende av vårdgivare. De flesta dör inom några år efter diagnosen.
Men konstigt nog följer inte alla personer med mild kognitiv funktionsnedsättning denna väg. Vissa försämras aldrig och några förbättras till och med. Så läkare skulle verkligen älska att kunna upptäcka dem som sannolikt kommer att utveckla Alzheimers eftersom de är mest sannolikt att dra nytta av behandling.
Ett sätt att göra detta är genom att studera positronemissionstomografi (PET) av hjärnan. Alzheimers är känt för att kännetecknas av den oönskade tillväxten av proteinklumpar som kallas amyloidplack och av en långsam hjärnmetabolism mätt med hastigheten vid hjärnanvändning av glukos.
Vissa typer av PET-skanningar kan avslöja tecken på båda dessa tillstånd och kan därför användas för att upptäcka personer med lindrig kognitiv funktionsnedsättning som löper störst risk att utveckla Alzheimers.
Det är teorin. I praktiken är det svårt att tolka bilderna. Forskare har hittat en eller två starka markörer som tränade observatörer kan leta efter, men den här metoden är tidskrävande och riskerar att göra fel.
Gå in i Hongyoon och Kyong som har ersatt mänskliga observatörer i denna process med ett djupt lärande neuralt nätverk.
Deras metod är okomplicerad. Under de senaste åren har Alzheimers forskare runt om i världen byggt upp en databas med hjärnbilder av människor med och utan Alzheimers. Hongyoon och Kyong använder denna databas för att träna ett konvolutionellt neuralt nätverk för att känna igen skillnaden mellan dem.
Denna datauppsättning består av hjärnbilder av 182 personer i 70-årsåldern med normala hjärnor och hjärnbilder av 139 personer i ungefär samma ålder som har diagnostiserats med Alzheimers. Med konventionell träning lär sig maskinen snart att känna igen skillnaden med en noggrannhet på nästan 90 procent.
Hongyoon och Kyong använder sedan sin maskin för att analysera en annan datamängd. Detta består av hjärnbilder av 181 personer i 70-årsåldern med lindrig kognitiv funktionsnedsättning, av vilka 79 utvecklade Alzheimers inom tre år. Uppgiften som Hongyoon och Kyong satte maskinen var att upptäcka dessa mottagliga individer.
Resultaten ger intressant läsning. Hongyoon och Kyong säger att deras neurala nätverk identifierade de som riskerade att utveckla Alzheimers med en noggrannhet på 81 procent. Det är betydligt högre än vad utbildade observatörer klarar av när de visuellt analyserar bilderna. Dessa resultat visar genomförbarheten av djupinlärning som ett verktyg för att förutsäga sjukdomsutfall med hjälp av hjärnbilder, säger de.
Det är ett intressant resultat. Det föreslår ett relativt snabbt sätt att upptäcka människor som riskerar att utveckla Alzheimers och de som skulle ha störst nytta av tidig intervention. Det är ett tillvägagångssätt som kan förbättra livskvaliteten för många människor och spara överbelastade sjukvårdssystem avsevärda summor pengar.
Mer generellt är Hongyoon och Kyongs teknik bara ett exempel på den växande användningen av djupinlärning i medicinsk diagnostik. Bevisen tyder på att djupinlärningsmaskiner kan upptäcka komplexa tillstånd tidigare och mer exakt än människor. Och tekniken fungerar för olika tillstånd från hjärtsjukdomar till cancer.
Det är uppenbart att djupinlärning kommer att förändra medicinens värld. Den enda frågan för dem som för närvarande lider av lindrig kognitiv funktionsnedsättning är hur snabbt.
Ref: arxiv.org/abs/1704.06033 : Förutsäga kognitiv försämring med djup inlärning av hjärnans metabolism och amyloidavbildning