211service.com
Software voorspelt cognitieve achteruitgang met behulp van hersenbeelden
De chronische neurologische aandoening die de ziekte van Alzheimer wordt genoemd, is een van de meest verraderlijke in de moderne samenleving. In 2015 werd gedacht dat ongeveer 30 miljoen mensen deze ziekte hadden. Als een enorm dure aandoening om te beheren, legt dit een aanzienlijke last op de gezondheidszorgsystemen over de hele wereld.
Hoewel er geen bekende manier is om de ziekte in gevorderde gevallen te stoppen, zijn er aanwijzingen dat de progressie ervan kan worden vertraagd of gestopt als het vroeg wordt geïdentificeerd. Het vinden van een betrouwbare manier om mensen te herkennen die het risico lopen de ziekte te ontwikkelen, is dus een belangrijk doel.
Vandaag zeggen Hongyoon Choi van het Cheonan Public Health Center en Kyong Hwan Jin van het Korea Advanced Institute of Science and Technology, beide in Zuid-Korea, dat ze deep learning hebben gebruikt om zo'n techniek te ontwikkelen. Deze jongens zeggen dat hun proces nauwkeurig mensen kan identificeren die de komende drie jaar waarschijnlijk de ziekte van Alzheimer zullen krijgen.
Een deep-learning netwerk leert de unieke signatuur van Alzheimer herkennen in PET-scanbeelden van het menselijk brein.
Cognitieve achteruitgang is onvermijdelijk naarmate we ouder worden. We hebben de neiging om vergeetachtiger te worden, onze gedachtengang vaker te verliezen, en vinden het moeilijker om beslissingen te nemen of taken uit te voeren. Artsen noemen dit milde cognitieve stoornis en het treft de meeste mensen naarmate ze ouder worden.
Veel mensen met milde cognitieve stoornissen ontwikkelen de ziekte van Alzheimer, die veel ernstiger is. Mensen met deze aandoening verliezen hun woordenschat en gebruiken vaak verkeerde woordvervangingen. Ze herkennen naaste familieleden niet meer, verliezen de basisvaardigheden voor zelfzorg en worden uiteindelijk volledig afhankelijk van zorgverleners. De meesten overlijden binnen een paar jaar na de diagnose.
Maar merkwaardig genoeg volgen niet alle mensen met milde cognitieve stoornissen dit pad. Sommige verslechteren nooit en een paar verbeteren zelfs. Dus doktoren zouden dolgraag degenen die de ziekte van Alzheimer kunnen ontwikkelen, kunnen opsporen, omdat de kans het grootst is dat ze baat hebben bij de behandeling.
Een manier om dit te doen is door positron emissie tomografie (PET) scans van de hersenen te bestuderen. Van Alzheimer is bekend dat het wordt gekenmerkt door de ongewenste groei van eiwitklonten, amyloïde plaques genaamd, en door een langzaam hersenmetabolisme, zoals gemeten aan de hand van de snelheid waarmee de hersenen glucose gebruiken.
Bepaalde soorten PET-scans kunnen tekenen van beide aandoeningen aan het licht brengen en kunnen daarom worden gebruikt om mensen met een milde cognitieve stoornis te herkennen die het grootste risico lopen om de ziekte van Alzheimer te ontwikkelen.
Dat is de theorie. In de praktijk is het interpreteren van de beelden moeilijk. Onderzoekers hebben een of twee sterke markers gevonden waar getrainde waarnemers naar kunnen zoeken, maar deze methode is tijdrovend en foutgevoelig.
Voer Hongyoon en Kyong in die menselijke waarnemers in dit proces hebben vervangen door een diep lerend neuraal netwerk.
Hun methode is eenvoudig. De afgelopen jaren hebben Alzheimer-onderzoekers over de hele wereld een database opgebouwd met hersenbeelden van mensen met en zonder Alzheimer. Hongyoon en Kyong gebruiken deze database om een convolutioneel neuraal netwerk te trainen om het verschil tussen hen te herkennen.
Deze dataset bestaat uit hersenbeelden van 182 70-plussers met normale hersenen en hersenbeelden van 139 mensen van ongeveer dezelfde leeftijd bij wie de diagnose Alzheimer is gesteld. Met conventionele training leert de machine het verschil al snel herkennen met een nauwkeurigheid van bijna 90 procent.
Hongyoon en Kyong gebruiken vervolgens hun machine om een andere dataset te analyseren. Dit bestaat uit hersenbeelden van 181 70-plussers met een milde cognitieve stoornis, van wie er 79 binnen drie jaar de ziekte van Alzheimer ontwikkelden. De taak die Hongyoon en Kyong de machine hadden ingesteld, was om deze gevoelige personen op te sporen.
De resultaten zorgen voor interessante lectuur. Hongyoon en Kyong zeggen dat hun neurale netwerk degenen met een risico op het ontwikkelen van de ziekte van Alzheimer heeft geïdentificeerd met een nauwkeurigheid van 81 procent. Dat is beduidend hoger dan getrainde waarnemers bij het visueel analyseren van de beelden. Deze resultaten tonen de haalbaarheid aan van deep learning als een hulpmiddel voor het voorspellen van de uitkomst van ziekten met behulp van hersenbeelden, zeggen ze.
Dat is een interessant resultaat. Het suggereert een relatief snelle manier om mensen te spotten die het risico lopen om de ziekte van Alzheimer te ontwikkelen en degenen die het meest baat zouden hebben bij vroege interventie. Dat is een aanpak die de kwaliteit van leven van veel mensen kan verbeteren en de overbelaste gezondheidszorgstelsels veel geld kan besparen.
Meer in het algemeen is de techniek van Hongyoon en Kyong slechts één voorbeeld van het toenemende gebruik van deep learning bij medische diagnoses. Het bewijs suggereert dat dieplerende machines complexe omstandigheden eerder en nauwkeuriger kunnen herkennen dan mensen. En de techniek werkt voor verschillende aandoeningen, van hartaandoeningen tot kanker.
Het is duidelijk dat deep learning de wereld van de geneeskunde gaat veranderen. De enige vraag voor degenen die momenteel lijden aan milde cognitieve stoornissen, is hoe snel.
Referentie: arxiv.org/abs/1704.06033 : Cognitieve achteruitgang voorspellen met diepgaand leren van hersenmetabolisme en amyloïde beeldvorming