Исследователи из Каунасских университетов, Литва, разработали метод, основанный на глубоком обучении, который может предсказать возможное начало болезни Альцгеймера по изображениям мозга с точностью более 99 процентов. Метод был разработан при анализе функциональных МРТ-изображений, полученных от 138 испытуемых, и показал лучшие результаты с точки зрения точности, чувствительности и специфичности, чем ранее разработанные методы.

По данным Всемирной организации здравоохранения, болезнь Альцгеймера является наиболее частой причиной деменции, на ее долю приходится до 70 процентов случаев деменции. Во всем мире от этого страдают примерно 24 миллиона человек, и ожидается, что это число будет удваиваться каждые 20 лет. Из-за старения общества эта болезнь в ближайшие годы станет дорогостоящим бременем для общественного здравоохранения.

"Медицинские работники во всем мире пытаются повысить осведомленность о раннем диагнозе болезни Альцгеймера, что дает пострадавшим больше шансов получить пользу от лечения. Это был один из самых важных вопросов при выборе темы для Модупе Одусами, аспиранта из Нигерии", - говорит Ритис Маскелюнас, научный сотрудник кафедры мультимедийной инженерии Факультета информатики Каунасского технологического университета (КТУ), научный руководитель Одусами.

Обработка изображений, делегированная машине

Одним из возможных первых признаков болезни Альцгеймера является умеренное когнитивное нарушение (MCI), которое является стадией между ожидаемым снижением когнитивных функций при нормальном старении и деменцией. Основываясь на предыдущих исследованиях, функциональная магнитно-резонансная томография (ФМРТ) может быть использована для выявления областей мозга, которые могут быть связаны с началом болезни Альцгеймера, согласно Маскелюнасу. Самые ранние стадии MCI часто почти не имеют четких симптомов, но в довольно многих случаях их можно обнаружить с помощью нейровизуализации.

Однако, хотя теоретически это возможно, ручной анализ изображений ФМРТ с целью выявления изменений, связанных с болезнью Альцгеймера, не только требует специальных знаний, но и отнимает много времени-применение глубокого обучения и других методов искусственного интеллекта может значительно ускорить этот процесс. Обнаружение признаков MCI не обязательно означает наличие болезни, так как это также может быть симптомом других сопутствующих заболеваний, но это скорее показатель и возможный помощник для направления к оценке медицинским работником.

"Современная обработка сигналов позволяет делегировать обработку изображений машине, которая может выполнить ее достаточно быстро и точно. Конечно, мы не осмеливаемся утверждать, что медицинский работник когда-либо должен полагаться на какой-либо алгоритм на сто процентов. Представьте себе машину как робота, способного выполнять самую утомительную задачу по сортировке данных и поиску функций. В этом сценарии после того, как компьютерный алгоритм выберет потенциально затронутые случаи, специалист сможет изучить их более внимательно, и в конце концов все получат выгоду, поскольку диагноз и лечение достигают пациента намного быстрее", - говорит Маскелюнас, который руководил командой, работающей над моделью.

Нам нужно максимально использовать данные

Модель, основанная на глубоком обучении, была разработана в результате плодотворного сотрудничества ведущих литовских исследователей в области искусственного интеллекта с использованием модификации хорошо известной точно настроенной сети ResNet 18 (остаточная нейронная сеть) для классификации функциональных изображений МРТ, полученных от 138 субъектов. Изображения делились на шесть различных категорий: от здоровых через спектр легких когнитивных нарушений (MCI) до болезни Альцгеймера. В общей сложности для обучения и проверки были отобраны 51 443 и 27 310 изображений из набора данных fMRI Инициативы по нейровизуализации болезни Альцгеймера.

Модель смогла эффективно найти функции MCI в данном наборе данных, достигнув наилучшей точности классификации 99,99%, 99,95% и 99,95% для раннего MCI по сравнению с ОБЪЯВЛЕНИЕ, поздний MCI против AD и MCI по сравнению с ранним MCI соответственно.

"Хотя это была не первая попытка диагностировать раннее начало болезни Альцгеймера по аналогичным данным, наш главный прорыв-точность алгоритма. Очевидно, что такие высокие цифры не являются показателями реальной эффективности в реальной жизни, но мы работаем с медицинскими учреждениями, чтобы получить больше данных",-говорит Маскелюнас.

По его словам, алгоритм можно было бы превратить в программное обеспечение, которое анализировало бы собранные данные от уязвимых групп (старше 65 лет, имеющих в анамнезе травмы головного мозга, высокое кровяное давление и т.д.) и уведомляло медицинский персонал об аномалиях, связанных с ранним началом болезни Альцгеймера.

"Нам нужно максимально использовать данные, - говорит Маскелюнас, - вот почему наша исследовательская группа фокусируется на европейском принципе открытой науки, чтобы любой мог использовать наши знания и развивать их дальше. Я считаю, что этот принцип вносит большой вклад в развитие общества".

Главный исследователь, основной областью деятельности которого является применение современных методов искусственного интеллекта для обработки сигналов и мультимодальных интерфейсов, говорит, что описанная выше модель может быть интегрирована в более сложную систему, анализирующую несколько различных параметров, например, также отслеживающую движения глаз, считывание лиц, анализ голоса и т.д. Затем такую технологию можно было бы использовать для самопроверки и оповещения, чтобы обратиться за профессиональной консультацией, если что-то вызывает беспокойство.

"Технологии могут сделать медицину более доступной и дешевой. Хотя они никогда (или, по крайней мере, не скоро) по-настоящему не заменят медицинского работника, технологии могут стимулировать поиск своевременной диагностики и помощи", - говорит Маскелюнас.

ИСТОЧНИК