تشخیص زودهنگام پارکینسون از طریق یادگیری عمیق

پژوهشگران با استفاده از یک شبکه عصبی پیچشی عمیق سه بعدی و استخراج شاخص های تصویربرداری متابولیک عمیق از اسکن FDG PET افراد، توانستند به شکل موثری بین بیماری پارکینسون و سایر سندرم های پارکینسونی، مانند آتروفی سیستم چندگانه (MSA) و فلج فوق هسته ای پیشرونده (PSP )  تمایز قائل شوند. نتایج این تحقیقات در مجله پزشکی هسته ای منتشر شده است.

بیماری پارکینسون یکی از شایع ترین اختلالات عصبی پیشرونده است. طبق گزارش بنیاد پارکینسون، بیش از 10 میلیون نفر در سرتاسر جهان با این بیماری درگیر هستند. تشخیص دقیق بیماری پارکینسون غالباً چالشی بزرگ است، به ویژه در مراحل اولیه بیماری که علائم آن به طورقابل توجهی با علائم سایر سندرم های پارکینسونی غیر معمول همپوشانی دارد.

پینگ وو، دکترای رادیولوژی عصبی در مرکز تصویربرداری PET، بیمارستان هوآشان، که زیر نظر دانشگاه فودان در شانگهای چین اداره می‌ شود، گفت: «مطالعات نشان می ‌دهد 20 تا 30 درصد از بیماران با تشخیص اولیه بیماری پارکینسون متعاقباً پس از معاینه پاتولوژیک،  MSA یا PSP داشته اند. بنابراین، توسعه شاخص‌ های دقیق برای افتراق بین بیماری‌ های پارکینسونی با توجه به تعیین استراتژی‌ های درمانی از اهمیت بالایی برخوردار است.»

در نقشه مغزی بیماران مبتلا به بیماری پارکینسون ایدیوپاتیک (IPD)، MSA وPSP مناطق بخصوصی آشکار می ‌شوند که می توانند به عنوان شاخص های تصویربرداری متابولیک عمیق (DMI) مورد استفاده قرار گیرند. گرمای رنگ هر ناحیه نشان دهنده تأثیرات متفاوتی بر شاخص های DMI است (افزایش مقدار جذب به افزایش یا کاهش احتمال IPD، MSA یا PSP در شاخص های DMI کمک می کند).

برای دستیابی به این هدف، محققان یک شبکه عصبی پیچشی عمیق سه بعدی (معروف به شبکه تشخیص افتراقی پارکینسونیسم (PDD-Net)) ساختند تا به طور خودکار شاخص های مرتبط با تصویربرداری را شناسایی کند که می توانند تشخیص افتراقی بیماری های پارکینسونی را ممکن سازند. از این روش یادگیری عمیق برای بررسی تصاویر PET دو گروه مبتلا به پارکینسون (بیش از 2100 بیمار از چین و 90 بیمار از آلمان) استفاده شد. شاخص‌ های تصویربرداری متابولیک عمیق استخراج‌ شده از PDD-Net، توانست با درجه بالایی از حساسیت، تشخیص زودهنگام بیماری پارکینسون، MSA  و PSP را میسر سازد.

وو گفت: « مهم است به اقداماتی توجه شود که برای بهبود درجه قابل اتکا بودن مطالعه انجام شده است. ما از بزرگترین مجموعه دادۀ معیار بیماران پارکینسونی با FDG PET از پایگاه داده Huashan Parkinsonian PET Imaging در شانگهای استفاده کردیم و آزمایش های گسترده ای را روی داده های طولی انجام دادیم. همچنین، برای اضافه شدن نشانگر های مربوط به قومیت‌ ها و پروتکل ‌های آزمایشی مختلف، گروهی از بیماران آلمانی را نیز به مطالعه اضافه کردیم.

این مطالعه تاییدی است بر اینکه هوش مصنوعی نوظهور می تواند اطلاعات عمیقی از تصویربرداری مولکولی استخراج کند تا تفکیک پذیری فیزیولوژی های پیچیده افزایش یابد. فناوری یادگیری عمیق می تواند به پزشکان کمک کند تا در آینده کاربرد تصویربرداری پزشکی هسته ای را به حداکثر برسانند.»

منبع

تهیه شده توسط

کارگروه مدلسازی شناختی و هوش مصنوعی

شاخه دانشجویی نقشه برداری مغز ایران

مدیریت ترویج و آموزش

ترجمه خبر:

بهار حوری زاد گنج کار (کارشناسی روانشناسی)

ویرایش متن:

عباس پورهدایت، همکار علمی کارگروه(کاندید دکتری مدلسازی شناختی، دانشگاه شهید بهشتي )