Araştırmacılar, araştırma çalışmalarının bir parçası olarak toplanan yüksek kaliteli beyin görüntüleme testlerini kullanarak Alzheimer hastalığının belirtilerini tespit etmede ilerleme kaydetmiş olsalar da, Massachusetts General Hospital’daki bir ekip yakın zamanda rutin olarak toplanan klinik beyin görüntülerine dayanan doğru bir yöntem geliştirdi. İlerleme, daha doğru teşhislere yol açabilir.
PLOS ONE’da yayınlanan çalışma için, Mass. General’in Sistem Biyolojisi Merkezi’nde araştırma görevlisi ve Massachusetts Alzheimer Hastalığı Araştırma Merkezi’nde bir araştırmacı olan Matthew Leming ve meslektaşları, bir tür makine öğrenimi ve yapay zeka olan derin öğrenmeyi kullandılar. modelleri eğitmek için büyük miktarda veri ve karmaşık algoritmalar kullanır.
Bu durumda bilim adamları, 2019’dan önce Mass. General’de görülen, hastalığı olan ve olmayan hastalardan toplanan beyin manyetik rezonans görüntülerinden (MRI’ler) elde edilen verilere dayanarak Alzheimer’ın tespiti için bir model geliştirdiler.
Daha sonra grup, gerçek verilere dayalı olarak Alzheimer’ı doğru bir şekilde tanımlayıp tanımlayamayacağını görmek için modeli beş veri kümesinde test etti: Mass General post 2019, Brigham and Women’s Hospital 2019 öncesi ve sonrası ve dış sistemler 2019 öncesi ve sonrası. -hastane ve zamandan bağımsız dünya klinik verileri.
Genel olarak araştırma, hastalık riski taşıyan 2.348 hastadan 11.103 görüntü ve Alzheimer olmayan 8.456 hastadan 26.892 görüntü içeriyordu. Model, beş veri setinin tamamında yüzde 90,2 doğrulukla Alzheimer hastalığı riskini tespit etti.
Çalışmanın ana yenilikleri arasında, Alzheimer’ı yaş gibi diğer değişkenlerden bağımsız olarak tespit etme yeteneği vardı.
Leming, “Alzheimer hastalığı tipik olarak yaşlı erişkinlerde görülür ve bu nedenle derin öğrenme modelleri, daha nadir görülen erken başlangıçlı vakaları tespit etmekte genellikle güçlük çeker” dedi. “Derin öğrenme modelini, hastanın listelenen yaşıyla aşırı derecede ilişkili bulduğu beyin özelliklerine ‘kör’ yaparak bu sorunu ele aldık.”
Leming, özellikle gerçek dünya ortamlarında hastalık tespitindeki diğer bir yaygın zorluğun, eğitim setinden çok farklı olan verilerle uğraşmak olduğunu belirtiyor. Örneğin, General Electric tarafından üretilen bir tarayıcıdan alınan MRI’lar üzerinde eğitilmiş bir derin öğrenme modeli, Siemens tarafından üretilen bir tarayıcıda toplanan MRI’ları tanımayabilir.
Model, başarılı bir tahminde bulunabilmesi için hasta verilerinin eğitildiğinden çok farklı olup olmadığını belirlemek için bir belirsizlik metriği kullandı.
“Bu, demansı tespit etmeye çalışmak için rutin olarak toplanan beyin MRG’lerini kullanan tek çalışmalardan biridir. Alzheimer’ın beyin MRG’lerinden saptanması için çok sayıda derin öğrenme çalışması yürütülürken, bu çalışma bunu mükemmel laboratuvar ortamlarının aksine gerçek dünya klinik ortamlarında fiilen gerçekleştirmek için önemli adımlar attı” dedi. “Sonuçlarımız – sahalar arası, zamanlar arası ve popülasyonlar arası genelleştirilebilirlik ile – bu teşhis teknolojisinin klinik kullanımı için güçlü bir durum oluşturuyor.”
Ek ortak yazarlar arasında Sudeshna Das ve Hyungsoon Im bulunmaktadır.
Bu çalışma, Ulusal Sağlık Enstitüleri ve Kore Cumhuriyeti Ticaret, Sanayi ve Enerji Bakanlığı tarafından finanse edilen ve MGH’ye bir alt sözleşme ile yönetilen Teknoloji İnovasyon Programı tarafından desteklenmiştir.
Günlük Gazete
En son Sağlık haberlerini almak için günlük e-postalara kaydolun.
PLOS ONE’da yayınlanan çalışma için, Mass. General’in Sistem Biyolojisi Merkezi’nde araştırma görevlisi ve Massachusetts Alzheimer Hastalığı Araştırma Merkezi’nde bir araştırmacı olan Matthew Leming ve meslektaşları, bir tür makine öğrenimi ve yapay zeka olan derin öğrenmeyi kullandılar. modelleri eğitmek için büyük miktarda veri ve karmaşık algoritmalar kullanır.
Bu durumda bilim adamları, 2019’dan önce Mass. General’de görülen, hastalığı olan ve olmayan hastalardan toplanan beyin manyetik rezonans görüntülerinden (MRI’ler) elde edilen verilere dayanarak Alzheimer’ın tespiti için bir model geliştirdiler.
Daha sonra grup, gerçek verilere dayalı olarak Alzheimer’ı doğru bir şekilde tanımlayıp tanımlayamayacağını görmek için modeli beş veri kümesinde test etti: Mass General post 2019, Brigham and Women’s Hospital 2019 öncesi ve sonrası ve dış sistemler 2019 öncesi ve sonrası. -hastane ve zamandan bağımsız dünya klinik verileri.
Genel olarak araştırma, hastalık riski taşıyan 2.348 hastadan 11.103 görüntü ve Alzheimer olmayan 8.456 hastadan 26.892 görüntü içeriyordu. Model, beş veri setinin tamamında yüzde 90,2 doğrulukla Alzheimer hastalığı riskini tespit etti.
Çalışmanın ana yenilikleri arasında, Alzheimer’ı yaş gibi diğer değişkenlerden bağımsız olarak tespit etme yeteneği vardı.
Leming, “Alzheimer hastalığı tipik olarak yaşlı erişkinlerde görülür ve bu nedenle derin öğrenme modelleri, daha nadir görülen erken başlangıçlı vakaları tespit etmekte genellikle güçlük çeker” dedi. “Derin öğrenme modelini, hastanın listelenen yaşıyla aşırı derecede ilişkili bulduğu beyin özelliklerine ‘kör’ yaparak bu sorunu ele aldık.”
Leming, özellikle gerçek dünya ortamlarında hastalık tespitindeki diğer bir yaygın zorluğun, eğitim setinden çok farklı olan verilerle uğraşmak olduğunu belirtiyor. Örneğin, General Electric tarafından üretilen bir tarayıcıdan alınan MRI’lar üzerinde eğitilmiş bir derin öğrenme modeli, Siemens tarafından üretilen bir tarayıcıda toplanan MRI’ları tanımayabilir.
Model, başarılı bir tahminde bulunabilmesi için hasta verilerinin eğitildiğinden çok farklı olup olmadığını belirlemek için bir belirsizlik metriği kullandı.
“Bu, demansı tespit etmeye çalışmak için rutin olarak toplanan beyin MRG’lerini kullanan tek çalışmalardan biridir. Alzheimer’ın beyin MRG’lerinden saptanması için çok sayıda derin öğrenme çalışması yürütülürken, bu çalışma bunu mükemmel laboratuvar ortamlarının aksine gerçek dünya klinik ortamlarında fiilen gerçekleştirmek için önemli adımlar attı” dedi. “Sonuçlarımız – sahalar arası, zamanlar arası ve popülasyonlar arası genelleştirilebilirlik ile – bu teşhis teknolojisinin klinik kullanımı için güçlü bir durum oluşturuyor.”
Ek ortak yazarlar arasında Sudeshna Das ve Hyungsoon Im bulunmaktadır.
Bu çalışma, Ulusal Sağlık Enstitüleri ve Kore Cumhuriyeti Ticaret, Sanayi ve Enerji Bakanlığı tarafından finanse edilen ve MGH’ye bir alt sözleşme ile yönetilen Teknoloji İnovasyon Programı tarafından desteklenmiştir.
Günlük Gazete
En son Sağlık haberlerini almak için günlük e-postalara kaydolun.