AI segítheti az Alzheimer-kór és más agyi betegségek korai felismerését
A Cambridge-i Egyetem kutatói olyan mesterségesintelligencia-modellt fejlesztettek, amely többféle agyi képalkotási és klinikai adat összehangolásával segítheti az agyi betegségek, köztük az Alzheimer-kór elemzését. A cél a betegségek korábbi felismerése, hogy a kognitív hanyatlást lassító kezelések minél hamarabb elkezdődhessenek.
- A SAM-Brain3D többféle agyi képalkotási adat elemzésére készült.
- A modellt kilenc adatbázis, 14 MRI-almodalitás és 66 280 kép és címke pár alapján tanították.
- A HyDA a különböző adatmodalitások összekapcsolásával igazítja a modellt a feladatokhoz.
- A rendszernek gondot okoznak a hiányos modalitások és az osztályok közötti egyensúlytalanság.
- A kutatók a modellt a demencia korai felismerésében is alkalmaznák a jövőben.
Többféle adatot kell összehangolni
Az Alzheimer-kór és más, az agyat érintő betegségek felismerése összetett feladat. Az orvosoknak és a kutatóknak egyebek mellett MRI- és PET-felvételeket, genetikai profilokat, valamint kognitív tesztek eredményeit kell értelmezniük. Ezek az adatok eltérő típusúak, ezért feldolgozásuk és együttes elemzésük komoly kihívást jelent.
A Cambridge Accelerate Programme for Scientific Discovery szeptember 28-án közzétett bemutatója szerint a mesterséges intelligencia az utóbbi években egyre fontosabb szerepet kapott a betegségek felismerésében és lefolyásuk előrejelzésében. A technológia nagy mennyiségű, több modalitást, vagyis többféle adatforrást tartalmazó egészségügyi adat feldolgozására képes.
A kutatók szerint a jelenlegi agyi alapmodellek több feladatban is ígéretesek, de gyakran korlátozza őket az adatok és a feladatok hasonlósága. Többségük főként szegmentálásra vagy osztályozásra használható, és nehezen igazítható különböző klinikai feladatokhoz.
SAM-Brain3D és Hypergraph Dynamic Adapter
A kutatócsoport új agyi alapmodellt fejlesztett SAM-Brain3D néven, amelyet a Hypergraph Dynamic Adapter, röviden HyDA nevű modullal egészített ki. A HyDA hipergrafokra épül. Ez a gépi tanulási módszer a különböző adatmodalitások közötti összetettebb kapcsolatokat is képes modellezni.
A SAM-Brain3D betanításához kilenc agyi szegmentálási adatbázist használtak. Ezek összesen 14 MRI-almodalitást, 66 280 kép és címke párost, valamint 4451 esetet tartalmaztak. A számítási kapacitást a 2024-es Accelerate-C2D3 finanszírozás tette elérhetővé.
A modell így különböző agyi célpontok szegmentálására tanítható, köztük meningeómákra, legfeljebb 35 agyi struktúrára és olyan célpontokra is, amelyekkel korábban nem találkozott. A HyDA a többféle adatból származó, egymást kiegészítő információkat egyesíti, majd páciensenként és a különböző léptékeken igazítja a jellemzőket.
A kutatók közlése szerint a SAM-Brain3D több, aggyal kapcsolatos további feladaton is következetesen felülmúlta a jelenlegi csúcstechnológiás módszereket. A fejlesztők szerint a munka újdonsága az elemek célzott integrációjában és az agyi betegségek elemzéséhez való igazításában rejlik.
A klinikai használat még további kutatást igényel
A módszernek jelenleg korlátai is vannak. Ha egy páciensnél hiányoznak bizonyos adatmodalitások, az ilyen eset nem használható fel a tanításhoz vagy a következtetéshez. Ez csökkenti a HyDA rugalmasságát. A rendszer a jelentős osztályegyensúly-problémát sem kezeli hatékonyan, amikor az egyik adatkategóriába sokkal több példa tartozik, mint a másikba.
A kutatók azt tapasztalták, hogy a teljesítmény az agy különböző régiói között is eltérhet. Előzetes megfigyeléseik szerint az Alzheimer-kórban erősen érintett területek, például a hippokampusz, több megkülönböztető információt adhatnak, míg az enyhébb változásokat mutató régiók modellezése nehezebb.
A csoport eddig két tanulmányt publikált a modellről, és egy további közlését is tervezi. A fejlesztők reménye szerint a rendszer idővel a klinikai gyakorlatban is segítheti az orvosokat a különböző feladatokban és helyzetekben, köztük a demencia korai felismerésében.
A Cambridge-i Egyetem forrása szerint az Egyesült Királyságban jelenleg körülbelül 982 000 ember él a betegséggel, ez a szám 2040-re 1,4 millióra emelkedhet. A kutatás ezért a korai felismerési módszerek és a kezelések fejlesztését kiemelt orvosi kutatási céllá teszi.
Cambridge Accelerate Programme for Scientific Discovery: How can we…use AI for the early detection of neurodegenerative diseases?
