Nachricht

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Neuer Weisheitsbericht

Herausgeber: Er Qiao Yang

[Einführung in die neue Weisheit]Die Forschung der Universität Cambridge nutzt künstliche Intelligenz, um ein maschinelles Lernmodell zu erstellen, um die Entwicklung der Alzheimer-Krankheit genau vorherzusagen. Die Genauigkeit übertrifft die Ergebnisse klinischer Tests bei weitem und eröffnet einen neuen Weg für die frühzeitige Intervention der Alzheimer-Krankheit.

Wenn künstliche Intelligenz in einem Bereich einen beispiellosen positiven Einfluss haben kann, muss „Gesundheitswesen“ einer der wirkungsvollsten Kandidaten sein, insbesondere die Früherkennung und Behandlung verschiedener schwieriger Krankheiten.

Die Alzheimer-Krankheit ist eine davon.

Mit fortschreitender Alterung der Bevölkerung tauchen immer mehr ältere Menschen wie ein „Radiergummi“ in ihrem Gehirn auf, ihre Erinnerungen werden nach und nach gelöscht und sie vergessen die Vergangenheit und ihre engsten Familienangehörigen. Dies hat die Lebensqualität der Menschen stark beeinträchtigt ältere Gruppe.

Derzeit leiden weltweit mehr als 55 Millionen Menschen an Demenz, jedes Jahr kommen fast 10 Millionen neue Fälle hinzu.

Die häufigste Form der Demenz ist die Alzheimer-Krankheit, sie macht 60–70 % aller Fälle aus. Es wird erwartet, dass sich die Zahl der Patienten mit Demenz in den nächsten 50 Jahren nahezu verdreifachen wird.

Weltweit kostete die Krankheit die Gesundheitssysteme allein im Jahr 2019 1,3 Billionen US-Dollar.

Wenn es um die Alzheimer-Krankheit geht, ist die Früherkennung von entscheidender Bedeutung, da dann die Behandlung möglicherweise am effektivsten ist.

Ohne den Einsatz invasiver oder teurer Tests wie Positronenemissionstomographie (PET) oder Lumbalpunktion (die nicht in allen medizinischen Einrichtungen verfügbar sind) können die Früherkennung und Prognose einer Demenz jedoch ungenau sein.

Infolgedessen kann es bei bis zu einem Drittel der Patienten zu einer Fehldiagnose kommen, während bei anderen die Diagnose möglicherweise zu spät gestellt wird, um eine wirksame Behandlung zu erhalten.

Darüber hinaus kann die Erkrankung bei den Betroffenen Depressionen und Angstzustände auslösen. Ganz zu schweigen von den hilflosen und verzweifelten Angehörigen um sie herum, die miterlebt haben, wie die Patienten allmählich ihr Gedächtnis verloren, geistig gestört wurden und einen emotionalen Zusammenbruch erlebten, aber sie sind hilflos.

Die Entwicklung der KI-Technologie hat jedoch etwas Licht in diese Situation gebracht.

Forscher am Institut für Psychologie der Universität Cambridge haben ein neues Modell für künstliche Intelligenz entwickelt, das aktuelle klinische Testmethoden bei der Vorhersage des Fortschreitens der Alzheimer-Krankheit übertrifft.

Das Forschungsteam nutzte kognitive Tests und MRT-Scans, um vorherzusagen, ob Patienten mit leichter kognitiver Beeinträchtigung an Alzheimer erkranken würden. Modelle für maschinelles Lernen verwendeten nicht-invasive Daten, um das Fortschreiten der Alzheimer-Krankheit in vier von fünf Fällen genau vorherzusagen.

Papieradresse: https://www.thelancet.com/action/showPdf?pii=S2589-5370%2824%2900304-3

Die Forschungsergebnisse wurden auch in der Fachzeitschrift eClinical Medicine (herausgegeben von The Lancet) veröffentlicht. Die Autoren glauben, dass Technologie, die Diagnose und Behandlung mit künstlicher Intelligenz nutzt, eine frühzeitige Intervention ermöglichen und die Abhängigkeit von kostspieligen späteren Diagnoseverfahren verringern kann.

Sagen Sie das Fortschreiten der Alzheimer-Krankheit genau voraus

PPM-Modell

Das Team erstellte das Modell anhand kognitiver Tests und MRT-Scans der Atrophie der grauen Substanz, dem Absterben von Nervenzellen im Gehirn, bei 400 Patienten, die von einem US-Forschungsteam gesammelt wurden.

Um die Lücke zwischen künstlicher Intelligenz und klinischer Übersetzung zu schließen, wird in der Arbeit ein leistungsstarkes und interpretierbares klinisches künstliches Intelligenztool entwickelt, das auf dem PPM-Modell (prädiktives Prognosemodell) basiert.

Das Modell geht über binäre Klassifizierungsmethoden hinaus, um Personen im Frühstadium der Krankheit (leichte kognitive Beeinträchtigung, MCI), Personen im präsymptomatischen Stadium (kognitiv normal, CN) und Personen mit bestätigter Alzheimer-Krankheit (AD) vorherzusagen. .

PPM führt Trajektorienmodellierungsmethoden ein, um zukünftige Krankheitsentwicklungstrends anhand routinemäßig erfasster multimodaler Daten zuverlässig vorherzusagen.

Und die Verwendung mehrerer Arten von Patientendaten, einschließlich der Verallgemeinerung von Forschungskohorten auf reale Patientendaten, kann den klinischen Nutzen und das Potenzial für die Übernahme im Gesundheitswesen verbessern.

PPM übernimmt das GMLVQ-Framework des Ensemble-Lernens, das in der Lage ist, Daten aus mehreren Modalitäten zu kombinieren (anstatt einen einzelnen Datentyp zu berücksichtigen), um eine frühe Krankheitstransformation genauer vorherzusagen als klinische Standardmarker (z. B. Atrophie der grauen Substanz, kognitiver Verfall) oder klinische Marker Diagnose für die Wahrscheinlichkeit einer Alzheimer-Krankheit.

Nutzen Sie die Leistungsfähigkeit multimodaler Daten, um Vorhersagen aus routinemäßig erfassten, nicht-invasiven und kostengünstigen Daten zu treffen, die möglicherweise nicht so empfindlich sind wie Biomarker, deren Erhebung jedoch kostengünstiger und nicht-invasiv ist.

Dieser KI-gesteuerte Ansatz zur frühzeitigen Vorhersage großer Modelle hat großes Potenzial:

Durch die Vorhersage der Patientengesundheit und die Reduzierung der Gesundheitskosten müssen sich weniger Patienten invasiven und teuren Diagnosetests unterziehen;

Zweitens kann die Bereitstellung knapper Ressourcen für diejenigen, die sie am meisten benötigen, die Effizienz der Zuweisung medizinischer Ressourcen verbessern.

Schließlich könnte die Verwendung großer Modelle zur Standardisierung der Diagnose in verschiedenen Kliniken Ungleichheiten in der Gesundheitsversorgung verringern.

Beispieldatenerfassung

Das Modell wurde anhand einer Stichprobe von mehr als 600 Teilnehmern aus den Vereinigten Staaten und weiteren 900 Proben aus Kliniken im Vereinigten Königreich und Singapur getestet.

Für das PPM-Training wurden Daten einer 600 Personen umfassenden US-Stichprobe aus der Studiendatenkohorte der Alzheimer's Disease Neuroimaging Initiative (ADNI) verwendet.

900 zusätzliche Proben wurden für die Out-of-Sample-Validierung als zwei unabhängige Testdatensätze verwendet: der NHS Memory Clinic Quantitative MRI of Brain Structural and Functional Brain (QMIN-MC) und der Datensatz des National University of Singapore Memory Aging and Cognition Centre (MACC). .

Diese Datensätze unterscheiden sich in der Patientendemografie und den Datenerfassungstools, sodass Experimente gleichzeitig die Kompatibilität des PPM-Modells mit verschiedenen nationalen und regionalen Gruppen testen können.

Insbesondere für ADNI wurden Proben auf der Grundlage spezifischer Kriterien im Zusammenhang mit amnestischem MCI und der Alzheimer-Krankheit ausgewählt.

MRT-Daten wurden von MRT-Sammelstellen in den Vereinigten Staaten gesammelt. Im Gegensatz dazu wurden QMIN-MC- und MACC-Daten von repräsentativen neurologischen und psychiatrischen Gedächtnisdiensten im Vereinigten Königreich bzw. Singapur gesammelt.

Daher spiegeln diese Patientenkohorten häufig die spezifischen Patientenprofile in der klinischen Praxis besser wider als die rekrutierte Studienkohorte (ADNI).

Experimentelle Ergebnisse

Testergebnisse zeigten, dass der Algorithmus zwischen Menschen mit leichter kognitiver Beeinträchtigung und solchen unterscheiden konnte, die innerhalb von drei Jahren an Alzheimer erkranken würden.

Und allein mithilfe kognitiver Tests und MRT-Scans gelang es, Menschen zu 82 % genau zu identifizieren, die innerhalb von drei Jahren an Alzheimer erkranken würden, und 81 % der Menschen, die nicht an Alzheimer erkranken würden.

Darüber hinaus kann es auch das Fortschreiten der Krankheit verfolgen und entsprechend den unterschiedlichen Umständen des Falles die am besten geeignete Behandlungsmethode bereitstellen.

Das KI-Modell ermöglichte es den Forschern auch, Daten aus dem ersten Arztbesuch jeder Person zu nutzen, um Alzheimer-Patienten in drei Gruppen einzuteilen: diejenigen, deren Symptome stabil blieben (etwa 50 Prozent), diejenigen, deren Symptome langsam fortschritten (etwa 35 Prozent) und diejenigen, deren Symptome langsam fortschritten (etwa 35 Prozent). deren Symptome langsam fortschritten (etwa 35 Prozent), Menschen, deren Symptome sich schneller entwickeln (etwa 15 %).

Diese Vorhersagen wurden bestätigt, als die Forscher die Daten über einen Zeitraum von sechs Jahren nachverfolgten. Sie glauben, dass die KI-Lösung bei der Vorhersage des Fortschreitens der Alzheimer-Krankheit dreimal genauer ist als die klinische Diagnose.

Eine genaue Vorhersage ist wichtig, da sie dazu beitragen kann, Menschen, bei denen das Risiko besteht, dass sie erkranken, in einem frühen Stadium zu identifizieren, und gleichzeitig diejenigen zu identifizieren, die einer engmaschigen Überwachung bedürfen, weil sich ihr Zustand schnell verschlechtern kann.

„Wenn wir die wachsende Gesundheitsherausforderung durch Demenz bewältigen wollen, brauchen wir bessere Instrumente zur Früherkennung und Intervention“, sagte Zoe Kourtzi, Professorin am Institut für Psychologie der Universität Cambridge.

„Unsere Vision ist es, den Einsatz von Werkzeugen der künstlichen Intelligenz auszuweiten, um Klinikern dabei zu helfen, erkrankte Gruppen frühzeitig zu erkennen und die richtigen Behandlungsmethoden anzuwenden. In einer Zeit, in der die medizinischen Ressourcen unter enormem Druck stehen, wird dies auch dazu beitragen, unnötige teure und schädliche Behandlungen zu vermeiden.“ diagnostische Tests.“

Frühe Tests sind auch wichtig, um Fehldiagnosen zu erkennen, und bei Menschen, die Symptome wie Gedächtnisverlust haben, aber stabil bleiben, können ihre Symptome durch etwas anderes als Demenz, wie Angstzustände oder Depressionen, verursacht werden.

Ben Underwood, ehrenamtlicher beratender Psychiater am CPFT und Assistenzprofessor in der Abteilung für Psychiatrie der Universität Cambridge, sagte: „Gedächtnisprobleme treten mit zunehmendem Alter häufig auf. Klinisch lässt sich nicht feststellen, ob dies das erste Anzeichen dafür ist.“ Demenz und wird den Patienten viele Sorgen bereiten.“

Wenn Menschen mit stabilem Gesundheitszustand eindeutig als nicht an Alzheimer erkrankt identifiziert werden können, wird dies auch den psychischen Druck der Patienten erheblich verringern.

Professor Kourtzi sagte: „KI-Modelle sind nur so gut wie die Daten, auf denen sie trainiert werden. Um sicherzustellen, dass unsere Modelle das Potenzial haben, im Gesundheitswesen angewendet zu werden, verwenden wir nicht nur Daten aus Forschungskohorten, sondern auch Patientendaten aus Kliniken. Wir trainieren und testen es, was zeigt, dass das Modell für die klinische Anwendung gefördert werden kann.“

Zukünftig hofft das Forschungsteam, sein Modell auf andere Arten von Demenz auszuweiten, beispielsweise auf die vaskuläre Demenz und die frontotemporale Demenz, und verschiedene Arten von Daten zu verwenden, beispielsweise Marker in Blutuntersuchungen.

Die Forschung wurde von verschiedenen Institutionen unterstützt, darunter Wellcome, Alzheimer's Research UK, der Royal Society und dem National Institute for Health and Care Cambridge Biomedical Research Centre.

Frühzeitige Demenzdiagnose

Neben der Entwicklung von KI-Vorhersagemodellen nutzen europäische Universitäten aktiv die Technologie der künstlichen Intelligenz, um das Problem der Alzheimer-Krankheit zu lösen.

Das mit 14 Millionen Euro aus dem EU-Horizont-Programm geförderte AI-Mind-Projekt entwickelt zwei Werkzeuge der künstlichen Intelligenz, die eine frühzeitige Diagnose von Demenz ermöglichen könnten.

AI-Mind startet im Jahr 2021 und wird bis 2026 andauern. Zu seinen Partnern gehören sieben europäische Universitäten, darunter die Aalto-Universität in Finnland, die Universität Tallinn in Estland und das Radboud University Medical Center in den Niederlanden.

Es zielt speziell auf das Stadium der leichten kognitiven Beeinträchtigung (MCI) ab, in dem keine strukturellen Hirndefekte vorliegen und ein Eingriff noch möglich ist.

Um dieses Ziel zu erreichen, entwickeln die 13 Partner hinter dem Projekt den AI-Mind Connector und den AI-Mind Predictor.

Connector analysiert Gehirnbilder aus dem EEG, um frühe Anzeichen zu erkennen, die zu Demenz führen können.

Predictor kombiniert diese Daten mit kognitiven Tests und Blutanalysen, um das Krankheitsrisiko mit einer Genauigkeit von mehr als 95 Prozent abzuschätzen.

Beide Tools werden in Cloud-Diagnoseplattformen integriert, die derzeit von Medizinern verwendet werden.

Das Endziel des Projekts ist ehrgeizig: die Diagnosezeit von 2 bis 5 Jahren auf 1 Woche zu verkürzen. Auf diese Weise soll die asymptomatische Phase von Patienten mit MCI verlängert werden.

Verfolgen Sie Proteinklumpen

Ein weiterer Anwendungsfall für KI im Kampf gegen Demenz besteht darin, unser Verständnis von Proteinklumpen im Körper zu verbessern und deren Pathologie zu verfolgen.

Damit unser Körper richtig funktioniert, finden Milliarden von Wechselwirkungen zwischen Proteinen und anderen Molekülen in den Zellen statt.

Wenn die Interaktion jedoch schief geht, können die Proteine ​​verklumpen und sich verschlechtern, was zu neurologischen Erkrankungen wie Alzheimer führen kann.

Forscher der Universität Kopenhagen haben einen KI-Algorithmus entwickelt, der in Mikroskopbildern Proteinklumpen mit einer Größe von einem Milliardstel erkennen kann.

Der Algorithmus kann auch Klumpen zählen, sie nach Form und Größe klassifizieren und überwachen, wie sie sich im Laufe der Zeit verändern.

Dies könnte Wissenschaftlern helfen zu verstehen, warum sich diese Klumpen bilden, und so zur Entdeckung neuer Medikamente und Behandlungen führen.

Nach Angaben des Teams automatisiert das Tool einen Prozess, der Forscher Wochen dauern würde, um ihn in nur wenigen Minuten abzuschließen.

Darüber hinaus ist dieser maschinelle Lernalgorithmus als Open-Source-Modell im Internet frei verfügbar.

„Wenn Forscher auf der ganzen Welt beginnen, dieses Tool einzusetzen, wird es dabei helfen, eine große Bibliothek von Molekül- und Proteinstrukturen zu erstellen, die für eine Vielzahl von Krankheiten und die Biologie relevant sind“, sagte Nikos Hatzakis, Co-Autor der Studie.

Verweise:

https://www.medicaldevice-network.com/news/university-of-cambridge-ai-model-alzheimers/

https://thenextweb.com/news/europe-universities-using-ai-battle-dementia