AI detecteert Alzheimer zes jaar vroeger met 100% nauwkeurigheid

AI kan hersenbeeldvormingstechnieken verbeteren om Alzheimer jaren voor de diagnose te voorspellen. Het Convolutioneel Neuraal Netwerk dat in deze studie ontwikkeld is, kon hersenscans (met 100% gevoeligheid) identificeren die leiden tot Alzheimer-ziekte.

Deep learning analyseert hersenmetabolisme

Eerdere studies toonden aan dat Alzheimer-ziekte de hersenmetabolisme verandert: reductie in hersenglucose-metabolisme wordt kenmerkend waargenomen. Het herkennen van deze subtiele veranderingen kan echter een extreem uitdagende taak zijn.

In deze studie hebben onderzoekers deep learning toegepast om veranderingen in hersenmetabolisme te detecteren die voorspellend zijn voor Alzheimer. Ze trainden de methode op duizenden afbeeldingen verkregen via een nucleaire geneeskundige functionele beeldvormingstechniek genaamd Positron Emissie Tomografie (PET).

Ze hadden toegang tot data van een groot multi-site project ADNI (kort voor Alzheimer's Disease Neuroimaging Initiative) dat zich richt op het voorkomen en behandelen van deze ziekte.

Referentie: Radiology | doi:10.1148/radiol.2018180958 | RSNA

De dataset bevatte meer dan 2.100 PET-hersenscans van meer dan 1.000 patiënten. Ze gebruikten 90% van deze dataset om hun deep learning-methode te trainen en de resterende 10% om het te testen.

Voorbeelden van PET-scans | Hersen van een 76-jarige man (ingezoomd) met Alzheimer | Met dank aan de onderzoekers

Ze testten de methode vervolgens op een nieuwe, onafhankelijke groep van 40 afbeeldingen van 40 patiënten die het algoritme nooit had onderzocht. Het kon Alzheimer 6 jaar vóór (gemiddeld) de definitieve diagnose detecteren, op alle 40 PET-scans.

Onderzoekers trainden hun convolutioneel neuraal netwerk met NVIDIA TITAN Xp GPU's met CUDA Deep Neural Network bibliotheek. Het voorspelde elke enkele scan (met 100% gevoeligheid) die leidde tot Alzheimer-ziekte.

Wat is de volgende stap?

Hoewel de resultaten zeer indrukwekkend zijn, waarschuwden onderzoekers dat hun validatieset niet groot genoeg was om het algoritme volledig betrouwbaar te maken. Ze hebben meer data nodig om deze AI-tool volwassener te maken.

Op dit moment kan het tool gebruikt worden om radiologen te ondersteunen in taken die een breed scala aan beeldvorming en biochemische tests omvatten. Met grootschalige externe validatie op multi-institutionele data en modelkalibratie, kan de tool geïntegreerd worden in de klinische workflow om dokters te helpen met vroege voorspellingen van de ziekte.

Het team plannet hun neurale netwerken verder te trainen om patronen te herkennen die gelinkt zijn aan de abnormale accumulatie van eiwitklonters, bêta-amyloïde en tau-eiwitten, en andere markers specifiek voor Alzheimer-ziekte.