Используя обычный тип сканирования мозга, исследователи запрограммировали алгоритм машинного обучения для диагностики ранней стадии болезни Альцгеймера примерно за шесть лет до того, как будет поставлен клинический диагноз, что потенциально дает врачам возможность вмешаться в лечение.
Лекарства от болезни Альцгеймера не существует, но в последние годы появились многообещающие лекарства, которые могут помочь остановить прогрессирование заболевания. Тем не менее, эти методы лечения должны применяться на ранней стадии заболевания, чтобы принести пользу. Эта гонка на время вдохновила ученых на поиск способов более ранней диагностики состояния.
"Одна из трудностей с болезнью Альцгеймера заключается в том, что к тому времени, когда проявятся все клинические симптомы и мы сможем поставить окончательный диагноз, погибнет слишком много нейронов, что сделает болезнь необратимой," говорит Дже Хо Сон, доктор медицинских наук, резидент отделения радиологии и биомедицинской визуализации Калифорнийского университета в Сан-Франциско.
В недавнем исследовании, опубликованном в журнале Radiology, Сон объединил нейровизуализацию с машинным обучением, чтобы попытаться предсказать, разовьется ли у пациента болезнь Альцгеймера, когда он впервые обратился с нарушением памяти – лучшее время для вмешательства.
Позитронно-эмиссионная томография (ПЭТ), которая измеряет уровни определенных молекул, таких как глюкоза, в головном мозге, была исследована как один из инструментов, помогающих диагностировать болезнь Альцгеймера до того, как симптомы станут серьезными. Глюкоза является основным источником топлива для клеток мозга, и чем активнее клетка, тем больше глюкозы она использует. По мере того, как клетки мозга заболевают и умирают, они потребляют меньше глюкозы и, в конечном итоге, перестают ее использовать.
Другие типы ПЭТ-сканирования ищут белки, конкретно связанные с болезнью Альцгеймера, но ПЭТ-сканирование на глюкозу гораздо более распространено и дешевле, особенно в небольших медицинских учреждениях и в развивающихся странах, поскольку они также используются для определения стадии рака.
Радиологи использовали это сканирование, чтобы попытаться обнаружить болезнь Альцгеймера, ища снижение уровня глюкозы в мозгу, особенно в лобных и теменных долях мозга. Однако, поскольку заболевание является медленно прогрессирующим заболеванием, изменения уровня глюкозы очень незначительны, и их трудно заметить невооруженным глазом.
Чтобы решить эту проблему, Зон применил алгоритм машинного обучения к ПЭТ-сканированию, чтобы более надежно диагностировать болезнь Альцгеймера на ранней стадии.
"Это идеальное применение глубокого обучения, потому что оно особенно хорошо помогает находить очень тонкие, но расплывчатые процессы. Радиологи действительно сильны в выявлении крошечных очагов, таких как опухоль головного мозга, но мы с трудом обнаруживаем более медленные глобальные изменения," говорит Сон. "Учитывая силу глубокого обучения в этом типе приложений, особенно по сравнению с людьми, это казалось естественным приложением."
Для обучения алгоритма Зон скармливал ему изображения из Инициативы по нейровизуализации болезни Альцгеймера (ADNI), массивного общедоступного набора данных ПЭТ-сканирований пациентов, у которых в конечном итоге была диагностирована болезнь Альцгеймера, легкое когнитивное нарушение или отсутствие расстройства. В конце концов, алгоритм начал самостоятельно учиться, какие особенности важны для прогнозирования диагноза болезни Альцгеймера, а какие нет.
После того, как алгоритм был обучен на 1921 сканировании, ученые протестировали его на двух новых наборах данных, чтобы оценить его производительность. Первыми были 188 изображений, которые были взяты из той же базы данных ADNI, но еще не были представлены алгоритму. Второй был совершенно новым набором снимков 40 пациентов, поступивших в Центр памяти и старения UCSF с возможными когнитивными нарушениями.
Алгоритм выполнен с честью. Он правильно идентифицировал 92 процента пациентов, у которых развилась болезнь Альцгеймера в первом наборе тестов и 98 процентов – во втором наборе тестов. Более того, он делал правильные прогнозы в среднем 75.8 месяцев – чуть больше шести лет – до того, как пациенту поставили окончательный диагноз.
Сон говорит, что следующим шагом будет тестирование и калибровка алгоритма на более крупных и разнообразных наборах данных из разных больниц и стран.
"Я считаю, что у этого алгоритма есть большой потенциал, чтобы быть клинически значимым," он говорит. "Однако, прежде чем мы сможем это сделать, нам необходимо проверить и откалибровать алгоритм в более крупной и разнообразной когорте пациентов, в идеале с разных континентов и в различных типах настроек."
Сон считает, что если алгоритм выдержит эти тесты, его можно использовать, когда невролог рассматривает пациента в клинике памяти как средство прогнозирования и диагностики болезни Альцгеймера, помогая ему быстрее получить лечение, в котором он нуждается.