Nie ma lekarstwa na chorobę Alzheimera, ale w ostatnich latach pojawiły się obiecujące leki, które mogą pomóc powstrzymać postęp choroby. Jednak te terapie muszą być rozpoczęte we wczesnym etapie choroby. Ten wyścig z czasem zainspirował naukowców do poszukiwania sposobów na wcześniejsze zdiagnozowanie choroby.
„Jedną z trudności związanych z chorobą Alzheimera jest to, że do momentu pojawienia się wszystkich objawów klinicznych i postawienia ostatecznej diagnozy, zbyt wiele neuronów umiera” – mówi Jae Ho Sohn, z Katedry Radiologii i Obrazowania Biomedycznego na Uniwersytecie Kalifornijskim w San Francisco.
W niedawnym badaniu opublikowanym w Radiology, Sohn połączył neuroobrazowanie z uczeniem maszynowym, aby spróbować przewidzieć, czy u pacjenta rozwinie się choroba Alzheimera, gdy po raz pierwszy pojawią się zaburzenia pamięci – najlepszy czas na interwencję.
Badania metodą pozytonowej tomografii emisyjnej (PET), które mierzą poziomy konkretnych cząsteczek w mózgu np. glukozy, są jednym z pomocnych narzędzi w diagnozowaniu choroby Alzheimera, zanim objawy staną się poważne. Glukoza jest głównym źródłem paliwa dla komórek mózgowych, a im bardziej aktywna jest komórka, tym więcej glukozy zużywa. W miarę jak komórki mózgu chorują i umierają, zużywają jej mniej.
Inne rodzaje skanów PET poszukują białek specyficznie związanych z chorobą Alzheimera, ale skany PET z glukozy są znacznie powszechniejsze i tańsze, szczególnie w mniejszych zakładach opieki zdrowotnej i krajach rozwijających się, ponieważ są one również wykorzystywane do stopniowania nowotworów.
Radiologowie wykorzystali te skany, aby wykryć chorobę Alzheimera, szukając zmniejszonego poziomu glukozy w mózgu, szczególnie w płatach czołowych i ciemieniowych mózgu. Choroba jest powolnie postępującym zaburzeniem, dlatego zmiany w glukozie są bardzo subtelne i bardzo trudne do zauważenia gołym okiem.
Aby rozwiązać ten problem, Sohn zastosował algorytm uczenia maszynowego do skanowania PET, aby pomóc w lepszym diagnozowaniu wczesnego stadium choroby Alzheimera.
„Jest to idealne zastosowanie deep learning, ponieważ jest ono szczególnie skoncentrowane na poszukiwaniu bardzo subtelnych i rozproszonych procesów. Ludzcy radiologowie są skuteczni w rozpoznawaniu małych ognisk chorobowych, jak np. guz mózgu, ale walczymy o wykrywanie bardziej powolnych, globalnych zmian „- mówi Sohn.
Aby wyszkolić algorytm, Sohn „nakarmił go” obrazami z Neuroobrazowania choroby Alzheimera (ADNI), ogromnym publicznym zbiorem danych PET z badań u pacjentów, u których ostatecznie zdiagnozowano chorobę Alzheimera. W końcu algorytm zaczął sam się uczyć, które cechy są ważne w przewidywaniu diagnozy choroby Alzheimera, a które nie.
Po przetestowaniu algorytmu na 1921 skanach naukowcy przetestowali go na dwóch nowatorskich zestawach danych w celu oceny jego działania. Pierwszym z nich było 188 obrazów, które pochodziły z tej samej bazy danych ADNI, ale nie zostały jeszcze przedstawione algorytmowi. Drugi był całkowicie nowym zestawem skanów od 40 pacjentów, którzy przyjechali do Centrum UCSF z możliwymi zaburzeniami poznawczymi.
Prawidłowo zdiagnozowano 92 procent pacjentów, u których rozwinęła się choroba Alzheimera w pierwszym zestawie testów i 98 procent w drugim zestawie testowym. Jednocześnie diagnozy zostały postawione nieco ponad sześć lat szybciej niż byłoby to możliwe wcześniej.
Sohn mówi, że następnym krokiem jest przetestowanie i kalibracja algorytmu na większych, bardziej zróżnicowanych zestawach danych z różnych szpitali i krajów.
„Wierzę, że ten algorytm ma duży potencjał, aby być klinicznie istotnym” – mówi. „Zanim jednak to zrobimy, musimy zweryfikować i skalibrować algorytm w większej i bardziej zróżnicowanej kohorcie pacjentów, najlepiej z różnych kontynentów i różnych różnych ustawień.”
Jeśli algorytm sprawdzi się w kolejnych testach, Sohn uważa, że można go zastosować, gdy neurolog widzi pacjenta w klinice po raz pierwszy, jako narzędzie predykcyjne i diagnostyczne dla choroby Alzheimera. Pomoże to w diagnozie i leczeniu pacjetnów we wcześniejszej fazie choroby.
