Kecerdasan buatan dapat membantu mendeteksi Alzheimer sejak dini

Kondisi neurodegeneratif yang menghancurkan penyakit Alzheimer tidak dapat disembuhkan, namun dengan deteksi dini, pasien dapat mencari pengobatan untuk memperlambat perkembangan penyakit, sebelum beberapa gejala utama muncul. Kini, dengan menerapkan algoritma kecerdasan buatan pada pemindaian otak MRI, para peneliti telah mengembangkan cara untuk secara otomatis membedakan antara pasien dengan Alzheimer dan dua bentuk awal demensia yang dapat menjadi awal dari penyakit yang merampas ingatan tersebut.

Para peneliti dari VU University Medical Center di Amsterdam, berpendapat bahwa pendekatan ini pada akhirnya akan mengarah pada skrining otomatis dan bantuan diagnosis. berbagai bentuk demensiaterutama di pusat-pusat yang kekurangan ahli neuroradiologi berpengalaman.

Selain itu, hasilnya dipublikasikan secara online 6 Juli di Majalah Radiologimenunjukkan bahwa sistem baru ini mampu mengklasifikasikan bentuk demensia yang diderita pasien, menggunakan pemindaian yang sebelumnya tidak terlihat, dengan akurasi hingga 90 persen. (10 hal yang tidak Anda ketahui tentang otak)

“Potensinya adalah kemungkinan skrining dengan teknik ini sehingga masyarakat mungkin berisiko mencegat sebelum penyakit menjadi terlihat”kata Alle Meije Wink, penyelidik senior di departemen radiologi dan kedokteran nuklir di pusat tersebut.

“Saya pikir sangat sedikit pasien saat ini yang mempercayai hasil yang diprediksi oleh mesin,” kata Wink kepada Live Science. “Apa yang saya bayangkan adalah seorang dokter akan mendapatkan hasil pemindaian baru, dan ketika sedang dimuat, perangkat lunak akan dapat mengatakan dengan tingkat keyakinan tertentu (bahwa) itu adalah pasien Alzheimer atau (seseorang dengan) bentuk demensia lainnya. “

Metode deteksi

Teknik pembelajaran mesin serupa telah digunakan untuk mendeteksi penyakit Alzheimer; dalam implementasi tersebut, teknik tersebut digunakan pada pemindaian MRI struktural otak yang dapat menunjukkan hilangnya jaringan yang terkait dengan penyakit tersebut.

Namun para ilmuwan telah lama mengetahui bahwa otak mengalami perubahan fungsional sebelum perubahan struktural ini terjadi, kata Wink. Pencitraan tomografi emisi positron (PET) adalah a metode populer untuk mendeteksi perubahan fungsionaltapi itu invasif dan mahal, tambahnya.

Sebaliknya, Wink dan rekan-rekannya menggunakan teknik MRI yang disebut arterial spin labeling (ASL), yang mengukur perfusi – proses darah diserap ke dalam jaringan – di seluruh otak. Metode ini masih bersifat eksperimental, namun non-invasif dan dapat diterapkan pada pemindai MRI modern.

Penelitian sebelumnya menunjukkan bahwa penderita Alzheimer biasanya menunjukkan penurunan perfusi (atau hipoperfusi) di jaringan otak, yang mengakibatkan kurangnya pasokan oksigen dan nutrisi ke otak.

Melatih sistem

Dengan menggunakan apa yang disebut peta perfusi pasien di pusat medis, tim Wink melatih sistemnya untuk membedakan pasien yang menderita penyakit Alzheimer, gangguan kognitif ringan (MCI) dan penurunan kognitif subjektif (SCD).

Pemindaian otak separuh dari 260 peserta digunakan untuk melatih sistem, dan separuh lainnya kemudian digunakan untuk menguji apakah sistem dapat membedakan berbagai kondisi saat melihat objek yang sebelumnya tidak terlihat. Pemindaian MRI.

Para peneliti menemukan bahwa pendekatan mereka dapat membedakan antara Alzheimer dan SCD dengan akurasi 90 persen, dan antara Alzheimer dan MCI dengan akurasi 82 ​​persen. Namun, para peneliti menemukan bahwa sistem tersebut ternyata buruk dalam membedakan antara MCI dan SCD dan hanya mencapai akurasi 60 persen. (10 cara untuk menjaga pikiran Anda tetap tajam)

Yang mengejutkan, hasil awal menunjukkan bahwa pendekatan ini mungkin dapat membedakan antara kasus MCI yang berkembang menjadi penyakit Alzheimer dan yang tidak, kata para peneliti.

Dalam penelitian tersebut, hanya ada 24 kasus MCI dengan data tindak lanjut untuk menunjukkan apakah kondisi setiap pasien berkembang menjadi Alzheimer, dengan 12 kasus di setiap kategori. Oleh karena itu, tidak layak untuk membagi mereka menjadi dua kelompok – satu untuk melatih sistem dan satu lagi untuk menguji kemampuannya dalam mengklasifikasikan kondisi dalam pemindaian yang tidak terlihat, kata para peneliti.

Dalam analisis awal, sistem dilatih pada 24 kasus yang menghasilkan akurasi pelatihan sekitar 80 persen ketika mengklasifikasikan kelompok-kelompok ini dan memisahkan mereka dari kelompok utama lainnya.

Namun tanpa kelompok prediksi yang terpisah, mustahil menguji sistem pada pemindaian yang tidak terlihat, kata para peneliti. Dikombinasikan dengan ukuran sampel yang kecil dalam penelitian ini, kata Wink, masih terlalu dini untuk menarik kesimpulan yang pasti, meskipun hasil awal cukup menggembirakan.

Aplikasi nyata

Ender Konukoglu, asisten profesor komputasi pencitraan biomedis di ETH-Zurich, sebuah universitas sains dan teknik di Swiss, mengatakan kombinasi pembelajaran mesin dan ASL adalah hal baru dan dapat memiliki aplikasi klinis yang signifikan, namun masih banyak yang perlu dilakukan untuk meningkatkan pendekatan tersebut. . untuk memvalidasi.

Penerapan yang paling berharga adalah kemampuan untuk membedakan antara kasus MCI yang berkembang menjadi penyakit Alzheimer dan yang tidak, namun ukuran sampel dalam penelitian ini terlalu kecil untuk menentukan keandalan penggunaan tersebut, katanya. “Kohort yang lebih besar mungkin menunjukkan bahwa pencitraan ASL yang dikombinasikan dengan pembelajaran mesin dapat mengklasifikasikan kelompok MCI, namun hingga saat ini sulit untuk membicarakan penerapan klinis dari metode yang disajikan di sini,” kata Konukoglu kepada Live Science.

Wink setuju bahwa salah satu cara untuk meningkatkan akurasi adalah dengan menggunakan kumpulan data yang lebih besar. Namun pendekatan yang dilakukan kelompoknya sedang diciptakan teknik pembelajaran mesin yang dapat menggunakan berbagai macam data dari perangkat pencitraan yang berbeda, katanya.

Christian Salvatore, peneliti di Institut Bioimaging Molekuler dan Fisiologi Dewan Riset Nasional Italia, mengatakan penelitian tersebut inovatif tetapi tidak memperkenalkan teknik baru. Ini hanyalah sebuah aplikasi dari kotak alat pembelajaran mesin yang terkenal untuk analisis neuroimaging ke ASL, katanya.

Namun kinerja klasifikasinya bagus, kata Salvatore, dan pendekatan ini juga membantu mengidentifikasi wilayah otak yang menjadi perhatian dokter ketika mendiagnosis kondisi ini. Ini adalah sesuatu yang diabaikan oleh banyak peneliti yang menggunakan pembelajaran mesin untuk analisis neuroimaging, katanya.

“Dokter ingin ‘melihat’ hasilnya – mereka tidak mempercayai kotak hitam yang hanya memberikan label prediksi untuk pasien,” katanya kepada Live Science. “Jadi, peta voxel terpenting (piksel 3D) untuk klasifikasi sangat diperlukan.”

Artikel asli tentang Ilmu Hidup.

Rekomendasi redaksi

Hak Cipta 2016 Ilmu HidupSebuah perusahaan pembelian. Semua hak dilindungi undang-undang. Materi ini tidak boleh dipublikasikan, disiarkan, ditulis ulang, atau didistribusikan ulang.