هوش مصنوعی بیماری آلزایمر را با یک اسکن مغز پیش بینی می کند

به گزارش علمی نیوز و به نقل از Psychology Today، بیماری آلزایمر (AD) شایع ترین نوع زوال عقل و یک بیماری عصبی پیشرونده است که سلول های مغز را در طول زمان از بین می برد. یک مطالعه جدید نشان می دهد که چگونه می توان از یادگیری ماشینی هوش مصنوعی (AI) در توسعه یک نشانگر زیستی بر اساس اسکن تصویربرداری تشدید مغناطیسی (MRI) برای بیماری آلزایمر استفاده کرد.

نویسندگان مطالعه نوشتند: «در این مطالعه، ما روشی را توسعه می‌دهیم که از داده‌های تصویربرداری تشدید مغناطیسی برای شناسایی تفاوت‌ها در مغز بین افراد مبتلا به آلزایمر و بدون بیماری آلزایمر، از جمله قبل از وقوع کوچک شدن آشکار مغز استفاده می‌کند.» این روش می تواند برای کمک به تشخیص بیماران مبتلا به بیماری آلزایمر استفاده شود.

47 میلیون نفر در سراسر جهان با بیماری آلزایمر زندگی می کنند و پیش بینی می شود تا سال 2030 این تعداد به 76 میلیون نفر بر اساس انجمن آلزایمر افزایش یابد. تنها در ایالات متحده، 5.8 میلیون آمریکایی مبتلا به بیماری آلزایمر هستند که طبق گزارش AARP و جنبش زنان آلزایمر (WAM) دو سوم آنها زن هستند . طبق پیش بینی مرکز کشف عصبی هاروارد در دانشکده پزشکی هاروارد، تا سال 2050، تعداد آمریکایی های مبتلا به آلزایمر به 16 میلیون نفر خواهد رسید.

اگرچه هیچ درمان شناخته شده ای برای بیماری آلزایمر وجود ندارد، اما درمان هایی وجود دارد که ممکن است به رفع برخی از علائم کمک کند. هر چه مرحله تشخیص زودتر باشد، بیمار زمان بیشتری برای درمان علائم و دریافت حمایت دارد.

علائم بیماری آلزایمر بسته به مرحله بیماری متفاوت است. در مراحل اولیه بیماری، از دست دادن حافظه کوتاه مدت شایع است. با گذشت زمان، توانایی انجام کارکردهای مختلف مختل می شود و بر انگیزه ، تمرکز، عملکرد اجرایی ، تصمیم گیری ، حل مسئله، قضاوت و توانایی انجام چند کار تأثیر می گذارد. در مراحل بعدی بیماری، افراد مبتلا به AD فراموش می کنند که چگونه وظایف اصلی روزانه خود را انجام دهند و در نهایت برای بقا به مراقبان وابسته می شوند.

علائم عصبی روانپزشکی مرتبط با بیماری آلزایمر ممکن است شامل افسردگی ، کناره گیری اجتماعی، روان پریشی ، سرگردانی، بی تفاوتی، بی قراری، بی اعتمادی به دیگران، بازداری و هذیان باشد.

محققان نوشتند: «در 40 سال گذشته، بهبود توان محاسباتی و ظرفیت ذخیره‌سازی منجر به پیشرفت‌های متعددی در توسعه بیومارکرهای ساختاری غیرتهاجمی و کم‌هزینه برای AD شده است که رویکردهای تصویربرداری عصبی، به‌ویژه MRI ساختاری، را با یادگیری ماشینی ترکیب می‌کنند.»

پایگاه‌های اطلاعاتی مورد استفاده برای این مطالعه شامل پایگاه‌داده ابتکار تصویربرداری عصبی بیماری آلزایمر (ADNI)، کنسرسیوم مجموعه‌های دسترسی آزاد مطالعه شده تصویربرداری (OASIS) و مرکز حافظه امپراتوری (IMC) مستقر در لندن، بریتانیا است.

اسکن های تصویربرداری رزونانس مغناطیسی به 115 زیر ناحیه تقسیم شدند که 45 منطقه در ماده سفید مغز و 70 منطقه در نواحی زیر قشری وجود داشت. بیش از 650 ویژگی متنوع مانند موجک، شدت، بافت، شکل و اندازه برای ارزیابی به هر منطقه اختصاص داده شد.

محققان یک الگوریتم طبقه‌بندی‌کننده هوش مصنوعی را که برای پیش‌بینی سرطان استفاده می‌شود، طراحی کردند و به آن آموزش دادند تا تغییرات در ویژگی‌های مغز را که می‌تواند وجود بیماری آلزایمر را پیش‌بینی کند، تشخیص دهد. سپس این الگوریتم بر روی داده‌های اسکن مغز بیش از 80 بیمار در Imperial College Healthcare NHS Trust که برای بیماری آلزایمر ارزیابی می‌شدند، و همچنین داده‌های ابتکار تصویربرداری عصبی بیماری آلزایمر از بیش از 400 بیمار مبتلا به آلزایمر در مراحل اولیه و اواخر آزمایش شد. گروه کنترل از افراد بدون بیماری آلزایمر و همچنین مبتلایان به سایر اختلالات مغزی مانند بیماری پارکینسون و دمانس فرونتوتمپورال.

آنچه این مطالعه را متمایز می کند این است که نه تنها الگوریتم هوش مصنوعی در پیش بینی های خود با دقت 98 درصد عمل می کند، بلکه به گفته دانشمندان برای ادغام در سیستم های پشتیبانی تصمیم گیری بالینی به نمونه گیری بیشتر یا آزمایش بیمار اضافی نیاز ندارد. علاوه بر این، الگوریتم هوش مصنوعی قادر به شناسایی تغییرات در مناطقی از مغز بود که قبلاً با بیماری آلزایمر مرتبط نبودند.

دانشمندان گزارش کردند: «جالب است که این الگوریتم همچنین مناطقی را که معمولاً با بیماری AD مرتبط نیستند، مانند مخچه و دیانسفالون شکمی انتخاب می‌کند. این نتیجه همراه با چند مطالعه گزارش‌شده در ادبیات، دیدگاه سنتی را که دسته‌های ماده سفید در مخچه یا دیانسفالون شکمی تحت تأثیر AD قرار نمی‌گیرند، به چالش می‌کشد و احتمالاً فرصت‌های درمانی جدید را برجسته می‌کند.