211service.com
Programvare forutsier kognitiv nedgang ved hjelp av hjernebilder
Den kroniske nevrologiske tilstanden kalt Alzheimers sykdom er en av de mer lumske i det moderne samfunnet. I 2015 ble rundt 30 millioner antatt å ha denne sykdommen. Som en enormt kostbar tilstand å håndtere, legger dette betydelige byrder på helsevesenet over hele verden.
Selv om det ikke er noen kjent måte å stoppe sykdommen i avanserte tilfeller, er det bevis på at progresjonen kan bremses eller stoppes hvis den identifiseres tidlig. Så å finne en pålitelig måte å oppdage mennesker som er i faresonen for å utvikle sykdommen er et viktig mål.
I dag sier Hongyoon Choi ved Cheonan Public Health Center og Kyong Hwan Jin ved Korea Advanced Institute of Science and Technology, begge i Sør-Korea, at de har brukt dyp læring for å utvikle nettopp en slik teknikk. Disse gutta sier at prosessen deres kan identifisere personer som sannsynligvis vil utvikle Alzheimers i løpet av de neste tre årene.
Et dyplæringsnettverk lærer å gjenkjenne den unike signaturen til Alzheimers i PET-skannebilder av den menneskelige hjernen.
Kognitiv nedgang er uunngåelig når vi blir eldre. Vi har en tendens til å bli mer glemsomme, mister tankene våre oftere og finner det vanskeligere å ta avgjørelser eller utføre oppgaver. Leger kaller dette mild kognitiv svikt, og det påvirker de fleste når de blir eldre.
Mange mennesker med mild kognitiv svikt fortsetter å utvikle Alzheimers, som er mye mer alvorlig. Personer med denne tilstanden mister ordforrådet, og bruker ofte feil orderstatninger. De slutter å gjenkjenne nære slektninger, mister grunnleggende egenomsorgskompetanse og blir til slutt helt avhengige av omsorgspersoner. De fleste dør innen få år etter diagnosen.
Men merkelig nok følger ikke alle mennesker med mild kognitiv svikt denne veien. Noen blir aldri dårligere, og noen blir til og med bedre. Så leger ville elske å kunne oppdage de som sannsynligvis vil utvikle Alzheimers fordi de mest sannsynlig vil ha nytte av behandling.
En måte å gjøre dette på er ved å studere positronemisjonstomografi (PET) skanninger av hjernen. Alzheimers er kjent for å være preget av uønsket vekst av proteinklumper kalt amyloidplakk og av en langsom hjernemetabolisme målt ved hastigheten ved hjernebruk av glukose.
Visse typer PET-skanninger kan avdekke tegn på begge disse tilstandene og kan derfor brukes til å oppdage personer med mild kognitiv svikt som har størst risiko for å utvikle Alzheimers.
Det er teorien. I praksis er det vanskelig å tolke bildene. Forskere har funnet en eller to sterke markører som trente observatører kan se etter, men denne metoden er tidkrevende og utsatt for feil.
Gå inn i Hongyoon og Kyong som har erstattet menneskelige observatører i denne prosessen med et dypt-lærende nevralt nettverk.
Metoden deres er grei. De siste årene har Alzheimers-forskere over hele verden bygget opp en database med hjernebilder av mennesker med og uten Alzheimers. Hongyoon og Kyong bruker denne databasen til å trene et konvolusjonelt nevralt nettverk for å gjenkjenne forskjellen mellom dem.
Dette datasettet består av hjernebilder av 182 personer i 70-årene med normale hjerner og hjernebilder av 139 personer på omtrent samme alder som har blitt diagnostisert med Alzheimers. Med konvensjonell trening lærer maskinen snart å kjenne igjen forskjellen med en nøyaktighet på nesten 90 prosent.
Hongyoon og Kyong bruker deretter maskinen sin til å analysere et annet datasett. Dette består av hjernebilder av 181 personer i 70-årene med mild kognitiv svikt, hvorav 79 utviklet Alzheimers innen tre år. Oppgaven som Hongyoon og Kyong satte maskinen var å oppdage disse mottakelige individene.
Resultatene gir interessant lesning. Hongyoon og Kyong sier at deres nevrale nettverk identifiserte de som var i fare for å utvikle Alzheimers med en nøyaktighet på 81 prosent. Det er betydelig høyere enn det trente observatører klarer når de visuelt analyserer bildene. Disse resultatene viser gjennomførbarheten av dyp læring som et verktøy for å forutsi sykdomsutfall ved hjelp av hjernebilder, sier de.
Det er et interessant resultat. Det antyder en relativt rask måte å oppdage personer med risiko for å utvikle Alzheimers og de som vil ha mest nytte av tidlig intervensjon. Det er en tilnærming som kan forbedre livskvaliteten for mange mennesker og spare overbelastede helsevesen for betydelige mengder penger.
Mer generelt er Hongyoon og Kyongs teknikk bare ett eksempel på den økende bruken av dyp læring i medisinsk diagnose. Bevisene tyder på at dyplæringsmaskiner kan oppdage komplekse forhold tidligere og mer nøyaktig enn mennesker. Og teknikken fungerer for ulike tilstander fra hjertesykdom til kreft.
Det er klart at dyp læring vil endre medisinens verden. Det eneste spørsmålet for de som lider av mild kognitiv svikt er hvor raskt.
Ref: arxiv.org/abs/1704.06033 : Forutsi kognitiv nedgang med dyp læring av hjernemetabolisme og amyloidavbildning