AI-model segítheti az Alzheimer-kór korai felismerését
A Cambridge-i Egyetem kutatói olyan mesterségesintelligencia-modellt fejlesztettek, amely MRI-felvételek és más klinikai adatok együttes elemzésével segítheti az agyi betegségek, köztük az Alzheimer-kór felismerését. A SAM-Brain3D és a hozzá kapcsolódó HyDA modul célja, hogy már a páciens első vizsgálatakor gyorsabb előrejelzést adjon a későbbi diagnózisról.
- A SAM-Brain3D kilenc adathalmazon, 14 MRI-almodalitással tanult.
- A tanítás 4451 esetet és 66 280 kép, címke párt tartalmazott.
- A HyDA többmodalitású adatokból készít páciensenként alkalmazkodó jellemzőket.
- A kutatók az Alzheimer-kór és más agyi betegségek korai felismerését vizsgálják.
- A modellnek gondot okoznak a hiányos modalitások és a kiegyensúlyozatlan adatosztályok.
Összetett adatokból keresik a betegség jeleit
Az agyat érintő betegségek diagnosztizálása összetett feladat, mivel több, egymástól jelentősen eltérő adatforrást kell összevetni. Ezek közé tartoznak az MRI- és PET-vizsgálatok, valamint a képalkotáson kívüli klinikai információk, például a genetikai profilok és a kognitív tesztek eredményei.
A Cambridge Accelerate Programme for Scientific Discovery oldalán 2026. szeptember 28-án közzétett beszámoló szerint a mesterséges intelligencia az utóbbi években egyre fontosabb szerepet kapott a diagnózis és a prognózis támogatásában, mivel nagy mennyiségű, többféle modalitásból származó orvosi adat feldolgozására képes.
A kutatócsoport olyan rendszert szeretne létrehozni, amely több feladatban is használható. Ilyen lehet az agyi struktúrák, például a daganatok szegmentálása, illetve az agyi betegségek, köztük az Alzheimer-kór osztályozása. A forrás szerint az Alzheimer-kór a demenciás esetek 60 és 80 százaléka mögött áll.
Kilenc adathalmazzal tanították a SAM-Brain3D-t
A fejlesztés központi eleme a SAM-Brain3D nevű agyi alapmodell, amelyhez a kutatók egy Hypergraph Dynamic Adapter, röviden HyDA modult is készítettek. A hipergráfokra épülő gépi tanulási módszer több adatmodalitás közötti magasabb rendű kapcsolatokat képes modellezni.
A SAM-Brain3D-t kilenc agyi szegmentációs adathalmazon tanították. Az adatok 14 MRI-almodalitást, 4451 esetet és 66 280 kép, címke párt tartalmaztak. A számítási kapacitást az Accelerate-C2D3 támogatása biztosította.
A modell így részletesebb, modalitásspecifikus információkat tanulhatott meg az agy anatómiájáról. A kutatók szerint képes lehet különféle célpontok szegmentálására, többek között meningeómák és akár 35 agyi struktúra felismerésére, továbbá olyan célpontok kezelésére is, amelyekkel a tanítás során nem találkozott.
A HyDA a többféle adatból származó, egymást kiegészítő információkat egyesíti. A modul a betegséghez kapcsolódó jellemzők kinyerésére, több léptékű jellemzőfúzióra és páciensenkénti, személyre szabott alkalmazkodásra szolgál. A kutatók beszámolója szerint a SAM-Brain3D a teszteken több, aggyal kapcsolatos feladatban következetesen felülmúlta a jelenlegi legkorszerűbb módszereket.
A korai felismerés a fejlesztés egyik fő célja
A projekt egyik kiemelt iránya annak vizsgálata, hogy a beteg első, úgynevezett kiindulási vizitén rögzített adatok alapján gyorsan előre jelezhető legyen a diagnózis. A cél az, hogy a kognitív hanyatlás lassítását szolgáló kezelés a lehető leghamarabb megkezdődhessen.
A modell jelenleg több korlátozással is rendelkezik. Ha egy páciensnél hiányoznak bizonyos adatmodalitások, az illető nem használható fel a tanításhoz vagy a következtetéshez, ami csökkenti a HyDA rugalmasságát. A módszer a kiegyensúlyozatlan osztályok problémáját sem kezeli hatékonyan, amikor az egyik adatosztály jelentősen nagyobb a másiknál. Emiatt egyes mutatókban, például a pontosságban és a specificitásban jól teljesíthet, míg másokban, például az AUC értékében gyengébb lehet.
A kutatók szerint az eredmények az egyes agyterületek között is eltérnek. Előzetes megfigyeléseik alapján az Alzheimer-kór kórfolyamatában erősen érintett régiók, például a hippokampusz, nagyobb megkülönböztető erőt adhatnak. A finomabb változásokat mutató területek modellezése nehezebb. A jövőbeni munkában a hiányos modalitások felhasználását, az osztályok közötti egyensúlytalanság kezelését, valamint a klinikai értelmezhetőség javítását vizsgálják.
Kutatási modellből később klinikai eszköz lehet
A SAM-Brain3D és a HyDA egyelőre kutatási fejlesztés. A Cambridge-i kutatók azt remélik, hogy a modell idővel a klinikai gyakorlatban is segítheti az orvosokat különféle feladatokban és helyzetekben, köztük a demencia korai felismerésében.
A projekt jelentőségét a demencia várható terjedése is növeli. A forrás szerint az Egyesült Királyságban jelenleg körülbelül 982 000 ember él ezzel a súlyos állapottal, és ez a szám 2040-re 1,4 millióra emelkedhet. A fejlesztést a 2024-es Accelerate-C2D3 pályázati felhívás támogatta. A kutatók eddig két tanulmányt publikáltak a modellről, egy további közlemény pedig rövidesen várható.
Cambridge Accelerate Programme for Scientific Discovery: How can we…use AI for the early detection of neurodegenerative diseases?
