Die Alzheimer-Krankheit ist heute eine der heimtückischsten Krankheiten. Ihr Auftreten ist sehr schwer (und teuer) vorherzusagen. Obwohl eine bereits entwickelte Krankheit nicht gestoppt werden kann, gibt es Hinweise darauf, dass die Früherkennung dazu beiträgt, die Alzheimer-Krankheit und den Abbau des Gehirns zu verlangsamen oder zu stoppen. Die Suche nach einem verlässlichen Weg, um das Risiko einer Krankheit zu bestimmen, beschäftigt die Forscher daher.
Mit zunehmendem Alter des menschlichen Körpers ist eine kognitive Beeinträchtigung unvermeidlich. Mit zunehmendem Alter werden die Menschen vergesslicher, verlieren oft ihren Gedankengang und finden es schwierig, Entscheidungen zu treffen oder Aufgaben auszuführen, die zuvor keine Schwierigkeiten verursachten. Ärzte nennen dies leichte kognitive Beeinträchtigung. Es betrifft die meisten Menschen, wenn sie älter werden.
Viele Menschen mit leichten kognitiven Beeinträchtigungen entwickeln eine schwerere Form - die Alzheimer-Krankheit. Eine Person verliert den Wortschatz, verwendet häufig falsche Wortersetzungen, erkennt keine nahen Verwandten mehr, verliert grundlegende Fähigkeiten zur Selbstpflege und ist letztendlich vollständig von anderen Personen abhängig, die ihm helfen. Die meisten Menschen mit dieser Diagnose sterben innerhalb weniger Jahre nach der Entdeckung der Alzheimer-Krankheit.
Interessanterweise erwartet dieses Szenario nicht alle Menschen mit leichten kognitiven Beeinträchtigungen. Im Laufe der Zeit kann sich der Zustand des Patienten nicht verschlechtern und in einigen Fällen sogar verbessern. Daher möchten Ärzte Wege finden, um diejenigen zu identifizieren, bei denen die Wahrscheinlichkeit einer Alzheimer-Krankheit höher ist.
Südkoreanische Wissenschaftler haben vorgeschlagen, Deep Learning für diesen Zweck einzusetzen. Die von ihnen entwickelte Technologie kann Menschen identifizieren, die in den nächsten drei Jahren möglicherweise an Alzheimer leiden.
Ein tiefes neuronales Netzwerk lernt, einzigartige Krankheitsspuren in Bildern der
Positronenemissionstomographie des Gehirns (PET) zu erkennen. Es ist bekannt, dass die Alzheimer-Krankheit durch ein unerwünschtes Wachstum von Proteinklumpen, die als Amyloid-Plaques bezeichnet werden, und einen langsamen Hirnstoffwechsel gekennzeichnet ist, der an der Rate gemessen wird, mit der das Gehirn Glukose verbraucht.
Bestimmte Arten von PET-Scans können Anzeichen dieser beiden Zustände erkennen und können daher verwendet werden, um leichte kognitive Beeinträchtigungen bei Menschen zu erkennen, die letztendlich zur Entwicklung der Alzheimer-Krankheit führen.
Theoretisch klingt es sehr ermutigend, aber in der Praxis ist es ziemlich schwierig, die resultierenden Bilder zu interpretieren. Forscher haben ein oder zwei helle Marker entdeckt, die speziell geschulte Personen finden können. Diese Methode ist jedoch zeitaufwändig und nicht immun gegen Fehler. Daher beschlossen koreanische Wissenschaftler, Menschen durch ein tiefes neuronales Netzwerk zu ersetzen.
In den letzten Jahren haben Alzheimer-Forscher auf der ganzen Welt eine Datenbank mit Gehirnbildern von Patienten mit und ohne Alzheimer erstellt. Und südkoreanische Kollegen verwendeten diesen Datensatz, um ein neuronales Faltungsnetzwerk zu trainieren, um den Unterschied zwischen ihnen zu erkennen.
(A) - Die Faltungsarchitektur des neuronalen Netzwerks wird auf zwei PET-Bilder angewendet, die mit dem biologischen Analogon von Glucose -
Fluordesoxyglucose und
Florbetapira - aufgenommen wurden, die einem Patienten zur Diagnose der Alzheimer-Krankheit verabreicht wurden. Jede Schichtfunktion kann mit der dreidimensionalen Faltungs- und Aktivierungsfunktion (ReLU) extrahiert werden. Mehrschichtige Windungen ergeben eine eindimensionale Ausgabe, und die letzte Schicht hat zwei Knoten, die der Alzheimer-Krankheit (AD) und dem normalen Gehirnzustand (NC) entsprechen.
(B) - Das tiefe neuronale Netzwerk wurde gemäß PET-Daten von gesunden und kranken Patienten trainiert. Die Forscher verwendeten eine zehnfache Gegenprüfung. Nach dem Training wurde AI direkt verwendet, um zwischen leichter kognitiver Beeinträchtigung (MCI) oder krankheitstransformierend oder nicht transformierend zu klassifizieren. Die Forscher bewerteten die Genauigkeit der Prognose für Patienten mit einer Störung, die zu einer Krankheit führen könnte. Darüber hinaus führten die Wissenschaftler eine Receiver Performance Analysis (ROC) durch.
Der Datensatz bestand aus Gehirnbildern von 182 Personen im Alter von 70 Jahren mit einem gesunden Gehirn und 139 Gehirnbildern von Personen im gleichen Alter, bei denen Alzheimer diagnostiziert wurde. Infolgedessen konnte AI den Unterschied zwischen einem gesunden und einem erkrankten Gehirn mit einer Genauigkeit von 90% erkennen.
Darüber hinaus analysierten die Forscher mit ihrer Maschine einen weiteren Datensatz, der aus Gehirnscans von 181 Personen im Alter von 70 Jahren mit leichten kognitiven Beeinträchtigungen bestand, von denen 79 drei Jahre lang an Alzheimer litten. Die Aufgabe der Wissenschaftler bestand darin, die Personen zu identifizieren, die am anfälligsten für sich verschlechternde Bedingungen sind.
Gemäß den Ergebnissen des Experiments identifizierte AI diejenigen, bei denen das Risiko besteht, an Alzheimer zu erkranken, mit einer Genauigkeit von 81%. Dieses Ergebnis ist deutlich höher als das von Ärzten, die die Bilder visuell analysieren.
Generell ist die Technik koreanischer Wissenschaftler nur ein Beispiel für den zunehmenden Einsatz von Deep Learning und Machine Vision in der medizinischen Diagnostik. Die verfügbaren Daten zeigen, dass Maschinen schwierige Bedingungen früher und genauer als Menschen bestimmen können.
doi:
arXiv: 1704.06033