هوش مصنوعی آلزایمر را پیش از وقوع آن پیش بینی می کند

هوش مصنوعی آلزایمر را پیش از وقوع آن پیش بینی می کند

بر اساس مطالعات منتشر شده در مجله Radiology , هوش مصنوعی توانایی تصویربرداری مغز را برای پیش بینی آلزایمر بهبود می بخشد.
تشخیص به موقع آلزایمر بسیار مهم است, چرا که درمان و بهبودی در اوایل بیماری بسیار موثرتر است. با این حال ثابت شده است که تشخیص زود هنگام آن نیز چالش بر انگیز است. تحقیقات نشان داده است که فرآیند بیماری, همان طور که در گلوکز های برخی مناطق مغز دیده شده است, به تغییرات متابولیسم مرتبط است. اما تشخیص این تغییرات ممکن است دشوار باشد.
Jae Ho Sohn از گروه رادیولوژی و تصویربرداری بیومدیکال دانشکده کالیفرنیا در سان فرانسیسکو می گوید: تفاوت الگوهای جذب گلوکز در مغز بسیار دقیق و ظریف است. افراد در پیدا کردن نشانه های بیماری خوب عمل می کنند , اما تغییرات متابولیکی فرآیند کلی تر و دقیق تری را نشان می دهد.
نویسنده ارشد این تحقیق, Benjamin Franc از UCSF در کنار دکتر Sohn و دانشگاه کالیفرنیا , برکلی , دانشجوی ارشد ییمینگ دینگ در گروه تحقیقاتی Radiology (BDRAD) , یک تیم چند رشته ای از فیزیکدانان و مهندسان بر علم داده های رادیولوژی تمرکز کرده اند. دکتر Franc علاقه مند به بکار گیری یک نوع هوش مصنوعی به نام یادگیری عمیق است که ماشین ها در آن توسط مثال های زیاد همانند انسان ها, برای پیدا کردن تفاوت متابولیسم مغز آموزش می بینند تا بتوانند بیماری آلزایمر را پیش بینی کنند.

تفاوت مغز سالم با مغز مبتلا به آلزایمر
محققان الگوریتم یادگیری عمیق را روی یک تکنولوژی تصویر برداری به نامpositron emission tomography 18-F-flurodeoxyglucose  (FDG-PET) پیاده سازی کردند. در اسکن FDG-PET , FDG یک ترکیب رادیواکتیو گلوکوز در خون تزریق می شود. سپس اسکن های PET می توانند جذب FDG در سلول های مغز که نشان دهنده فعالیت متابولیکی است را اندازه گیری کنند.
محققان به اطلاعاتی از تصویر برداری عصبی آلزایمر(ADNI) دسترسی دارند. تعدادی تحقیق بر روی مطالعات بالینی در جهت پیشگیری و درمان این بیماری متمرکز شده بود. مجموعه داده هاADNI  شامل بیشتر از 2100 تصویر مغز FDG-PET از 1002 بیمار بود. محققان الگوریتم یادگیری عمیق را بر 90 % داده ها اعمال کردند و آن را بر روی 10 % باقی مانده آزمایش کردند. از طریق یادگیری عمیق, الگوریتم توانست الگوهای متابولیکی را که به بیماری آلزایمر مربوط بود, یاد بگیرد.
در آخر, محققان الگوریتم را روی یک مجموعه مستقل از آزمایش های تصویربرداری 40 بیمار که الگوریتم بر روی آن تعلیم نداشت, آزمایش کردند. اگوریتم حساسیت 100 % را در تشخیص بیماری در حدود 6 سال پیش از بروز آن به دست آورد.

تفاوت در مغز سالم با مغز مبتلا به آلزایمر
دکتر Sohn گفت ما از عملکرد این اگوریتم بسیار خرسند هستیم. این قادر به تشخیص تمام مورد هایی که به آلزایمر پیشرفته رسیدند, بود.
اگرچه او هشدار داد که این تست  بسیار کوچک بود و به تحقیقات بیشتری برای اطمینان کافی نیاز دارد , دکتر Sohn گفت این الگوریتم می تواند یک ابزار مفید برای تکیمل کار رادیولوژیست ها در ارائه فرصت برای درمان اولیه باشد. به خصوص در شرایطی که با آزمایش های تصویر برداری و بیوشیمیایی در ارتباط هستند.
او گفت: اگر زمانی که تمامی علائم ظاهر شد آلزایمر را تشخیص دهیم, جلوگیری از تخریب مغز بسیار دشوار است. اگر بتوانیم زودتر آن را تشخیص دهیم, این فرصتی برای محققان است که روند رشد بیماری را کاهش دهند و یا حتی آن را متوقف کنند.
به گفته Young seo برنامه های تحقیقاتی آینده شامل آموزش الگوریتم یادگیری عمیق برای بررسی الگوهای مرتبط با انباشت پروتئین های بتا آمیلوئید و تو, انباشت پروتئین ها و پلاکت های غیر عادی در مغز که نشانه های مهم بیماری آلزایمر هستند, می باشد.
او می گوید : اگر FDG-PET می تواند با هوش مصنوعی بیماری آلزایمر را از قبل پیش بینی کند, بتا-آمیلوئید و تصویربرداری پروتئین تو PET می تواند ابعاد مهم دیگری را در پیش بینی این بیماری اضافه کند.

 

برای درج نظر و یا طرح سوالات خود لطفا در سایت ثبت نام کنید و یا وارد سایت شوید

نظرات کاربران

برای این مطلب تاکنون نظری ارسال نشده است. شما اولین نفر باشید