Kredit: Pixabay/Pete Linforth.
Meskipun peneliti telah mengambil langkah dalam mendeteksi tanda-tanda penyakit Alzheimer menggunakan tes pencitraan otak berkualitas tinggi yang dikumpulkan sebagai bagian dari studi penelitian, sebuah tim di Rumah Sakit Umum Massachusetts (MGH) baru-baru ini mengembangkan metode yang akurat untuk deteksi yang bergantung pada gambar otak klinis yang dikumpulkan secara rutin. Kemajuan dapat menyebabkan diagnosis yang lebih akurat.
Untuk penelitian yang dipublikasikan di PLOS ONE, Matthew Leming, Ph.D., seorang peneliti di Pusat Biologi Sistem MGH dan seorang penyelidik di Pusat Penelitian Penyakit Alzheimer Massachusetts, dan rekan-rekannya menggunakan pembelajaran mendalam—sejenis mesin. pembelajaran dan kecerdasan buatan yang menggunakan data dalam jumlah besar dan algoritme kompleks untuk melatih model.
Dalam hal ini, para ilmuwan mengembangkan model untuk deteksi penyakit Alzheimer berdasarkan data dari gambar resonansi magnetik otak (MRI) yang dikumpulkan dari pasien dengan dan tanpa penyakit Alzheimer yang terlihat di MGH sebelum 2019.
Selanjutnya, kelompok menguji model di lima set data — MGH pasca-2019, Brigham and Women’s Hospital sebelum dan sesudah 2019, dan sistem luar sebelum dan sesudah 2019 — untuk melihat apakah model tersebut dapat secara akurat mendeteksi penyakit Alzheimer berdasarkan real- data klinis dunia, terlepas dari rumah sakit dan waktu.
Secara keseluruhan, penelitian tersebut melibatkan 11.103 gambar dari 2.348 pasien yang berisiko penyakit Alzheimer dan 26.892 gambar dari 8.456 pasien tanpa penyakit Alzheimer. Di kelima kumpulan data, model tersebut mendeteksi risiko penyakit Alzheimer dengan akurasi 90,2%.
Di antara inovasi utama dari karya tersebut adalah kemampuannya untuk mendeteksi penyakit Alzheimer terlepas dari variabel lain, seperti usia. “Penyakit Alzheimer biasanya terjadi pada orang dewasa yang lebih tua, dan model pembelajaran mendalam seringkali mengalami kesulitan dalam mendeteksi kasus awal yang lebih jarang,” kata Leming. “Kami mengatasinya dengan membuat model pembelajaran mendalam ‘buta’ terhadap fitur otak yang ditemukan terlalu terkait dengan usia pasien yang terdaftar.”
Leming mencatat bahwa tantangan umum lainnya dalam deteksi penyakit, terutama di dunia nyata, adalah berurusan dengan data yang sangat berbeda dari kumpulan pelatihan. Misalnya, model pembelajaran mendalam yang dilatih pada MRI dari pemindai yang diproduksi oleh General Electric mungkin gagal mengenali MRI yang dikumpulkan pada pemindai yang diproduksi oleh Siemens.
Model menggunakan metrik ketidakpastian untuk menentukan apakah data pasien terlalu berbeda dari apa yang telah dilatih untuk dapat membuat prediksi yang berhasil.
“Ini adalah satu-satunya studi yang menggunakan MRI otak yang dikumpulkan secara rutin untuk mencoba mendeteksi demensia. Sementara sejumlah besar studi pembelajaran mendalam untuk deteksi Alzheimer dari MRI otak telah dilakukan, studi ini membuat langkah substansial untuk benar-benar melakukan ini secara nyata. pengaturan klinis dunia sebagai lawan dari pengaturan laboratorium yang sempurna,” kata Leming. “Hasil kami—dengan kemampuan generalisasi lintas situs, lintas waktu, dan lintas populasi—menjadi alasan yang kuat untuk penggunaan klinis teknologi diagnostik ini.”
Informasi lebih lanjut: Matthew Leming et al, Adversarial confound regression dan pengukuran ketidakpastian untuk mengklasifikasikan MRI klinis heterogen dalam Mass General Brigham, PLOS ONE (2023). DOI: 10.1371/journal.pone.0277572
Disediakan oleh Rumah Sakit Umum Massachusetts
Kutipan: Pendekatan kecerdasan buatan dapat membantu mendeteksi penyakit Alzheimer dari tes pencitraan otak rutin (2023, 3 Maret) diambil 3 Maret 2023 dari https://medicalxpress.com/news/2023-03-artifical-intelligence-approach-alzheimer-disease. html
Dokumen ini tunduk pada hak cipta. Terlepas dari kesepakatan yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.