ورود / ثبت نام

هوش مصنوعی آلزایمر را سال ها قبل از تشخیص پیش‌بینی می کند!

بر اساس مطالعه‌ی جدیدی که در مجله‌ی رادیولوژی منتشر شده، تکنولوژی هوش مصنوعی (AI) توانایی تصویربرداری از مغز برای پیش بینی بیماری آلزایمر را ، تقویت می کند.

جائه هو سون، دکتری رادیولوژی و تصویربرداری زیست دارویی، بیان می‌کند : «تفاوت در الگوهای جذب گلوکز در مغز بسیار دقیق و پراکنده است. اگرچه افراد در پیدا کردن نشانه های زیستی بیماری خوب عمل می کنند اما تغییرات متابولیسمی، فرایندی جهان شمول و دقیق را ارائه می کند».

بنجامین فرانک، دکتر سون و ییمینگ دینگ از دانشگاه کالیفرنیا، به همراه یک گروه از پزشکان و مهندسان بر داده های وسیع رادیولوژی (BDRAD) متمرکز شدند. دکتر مایل با استفاده از روش یادگیری عمیق به دنبال این است تا تغییرات متابولیسمی مغز را که پیش بینی کننده ی بیماری آلزایمر است، بیابد.

محققان الگوریتم یادگیری عمیق را براساس یک روش ویژه تصویربرداری به نام برش نگاری با گسیل پوزیترون 18-F فلئوردئوکسی گلوکز (FDG-PET) به کار بردند. FDG یک گلوکز رادیواکتیو ترکیبی، است که درون خون تزریق می شود. پس از آن اسکن های PET می توانند جذب گلوکز در سلول های مغز را که نشانگر فعالیت متابولیک است،اندازه گیری کنند.

محققان از طریق تصویربرداری های عصبی آغازین بیماری آلزایمر (ADNI)، طی یک مطالعه وسیع به چندین مکان با هدف تمرکز بر تقویت بازداری و درمان در مداخلات کلینیکی بر اساس داده ها دسترسی یافتند. داده های ADNI شامل بیش از ۲۱۰۰ تصویر مغزی FDG-PET از ۱۰۰۲ بیمار می باشد. محققان الگوریتم یادگیری عمیق را در ۹۰ درصد از مجموعه داده ها به کار برده و سپس آن را روی ۱۰ درصد باقی مانده داده ها آزمودند. الگوریتم، از طریق یادگیری عمیق قادر به خود آموزی الگوهای متابولیک مرتبط با بیماری آلزایمر بود. در نهایت، محققان الگوریتم را در مورد ۴۰ مجموعه آزمون تصویری مستقل، روی ۴۰ بیمار که قبلا مورد مطالعه قرار نگرفته بودند، آزمودند. الگوریتم به طور متوسط، بیشتر از ۶ سال پیش از تشخیص نهایی، حساسیت ۱۰۰ درصدی برای کشف بیماری داشت.

درباره دقت این روش دکتر سون گفت: «ما از عملکرد الگوریتم، بسیار راضی هستیم. این روش قادر بود هر فردی را که در معرض پیشرفت بیماری آلزایمر قرار داشت، پیش بینی کند». اگرچه او هشدار داد که مجموعه این آزمون‌ها هنوز در مراحل مقدماتی بوده و نیاز به مطالعات اعتبارسنجی وسیعتر و چند وجهی در آینده دارد. دکتر سون افزود: " این الگوریتم می تواند یک ابزار کارامد برای تکمیل کار رادیولوژیست ها – به ویژه در ترکیب دیگر آزمون های زیست شیمیایی – با فراهم سازی فرصت مداخله درمانی زود هنگام باشد."

او بیان داشت :«اگر بیماری آلزایمر به هنگام آشکار شدن تمامی نشانه ها تشخیص داده شود، حجم مغز از دست رفته آنقدر زیاد است که برای مداخله بسیار دیر است. اگر بتوانیم این علائم را زودتر تشخیص دهیم، برای محققان فرصتی فراهم می آید که راه های بهتری را برای کاهش سرعت پیشرفت بیماری یا به نصف رساندن فرایند بیماری، بیابند».

تحقیقات بیشتر شامل به کارگیری الگوریتم یادگیری عمیق برای یافتن الگوهای مرتبط با تجمع بتا آمیلوئید و پروتئین های تائو، پروتئین های ناهنجاری که در مغز انباشته و در هم تنیده شده و همچنین نشانگرهای خاص بیماری آلزایمر می شود.

نمونه ای از تصویر PET فلئورین 18 فلئورودئوکسی گلوکز از تصاویر ابتدایی بیماری آلزایمر که با روش شبکه برای بیماران آلزایمری پیش پردازش شده را مشاهده می‌کنید. یکی از نمونه ها در یک بخش زوم شده است که برای هر سه نمونه بیمار فراهم شده است: A، مرد ۷۶ ساله مبتلا به بیماری آلزایمر (AD)، B، زن ۸۳ ساله مبتلا به آسیب شناختی خفیف (MCI)، و C، مرد ۸۰ ساله فاقد AD/MCI. در این مثال، بیمار AD اندکی قشر خاکستری کمتری نسبت به بیمار فاقد AD/MCI دارد. تفاوت میان بیمار MCI و بیمار فاقد AD/MCI بدون چشم مسلح اندک به نظر می‌رسد.

منبع: science daily

مترجم: مبینا ترابی، عضو شاخه‌ی دانشجویی نقشه برداری مغز

دیدگاه ها

برای ثبت دیدگاه کافیست وارد حساب کاربری خود شوید.

خبرنامه آزمایشگاه ملی نقشه برداری مغز

با عضویت در خبرنامه آزمایشگاه ملی نقشه برداری مغز از آخرین اخبار و رویدادها مطلع شوید.

پرداخت هزینه آزمایشات دریافت گواهی پشتیبانی
صفحه اصلی
جستجو
دسته بندی
باشگاه
حساب کاربری