nouvelles

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Nouveau rapport de sagesse

Editeur : Er Qiao Yang

[Introduction à la nouvelle sagesse]La recherche de l'Université de Cambridge utilise l'intelligence artificielle pour créer un modèle d'apprentissage automatique permettant de prédire avec précision l'évolution de la maladie d'Alzheimer. La précision dépasse de loin les résultats des tests cliniques, ouvrant ainsi une nouvelle voie à l'intervention précoce dans la maladie d'Alzheimer.

Si l'intelligence artificielle peut avoir un impact positif sans précédent dans un domaine, les « soins de santé » doivent être l'un des candidats les plus puissants, en particulier le diagnostic et le traitement précoces de diverses maladies difficiles.

La maladie d'Alzheimer en fait partie.

À mesure que le vieillissement de la population progresse, de plus en plus de personnes âgées apparaissent comme une « gomme » dans leur cerveau et leurs souvenirs sont progressivement effacés, y compris le passé et les membres de leur famille les plus proches. Cela a gravement affecté la qualité de vie des gens. groupe de personnes âgées.

Actuellement, plus de 55 millions de personnes dans le monde souffrent de démence, avec près de 10 millions de nouveaux cas chaque année.

Le type de démence le plus courant est la maladie d’Alzheimer, qui représente 60 à 70 % de tous les cas. On s’attend à ce que le nombre de patients atteints de démence triple au cours des 50 prochaines années.

À l’échelle mondiale, la maladie a coûté aux systèmes de santé 1 300 milliards de dollars rien qu’en 2019.

Lorsqu'il s'agit de la maladie d'Alzheimer, la détection précoce est cruciale, car c'est à ce moment-là que le traitement peut être le plus efficace.

Cependant, le diagnostic précoce et le pronostic de la démence peuvent être inexacts sans le recours à des tests invasifs ou coûteux tels que la tomographie par émission de positons (TEP) ou la ponction lombaire (qui ne sont pas disponibles dans tous les établissements médicaux).

En conséquence, jusqu’à un tiers des patients peuvent être mal diagnostiqués, tandis que d’autres peuvent être diagnostiqués trop tard pour recevoir un traitement efficace.

De plus, pour les personnes touchées, la maladie peut déclencher une dépression et une anxiété. Sans parler des proches impuissants et désespérés qui les entourent, qui ont vu les patients perdre progressivement la mémoire, devenir mentalement perturbés et subir une dépression émotionnelle, mais ils sont impuissants.

Cependant, le développement de la technologie de l’IA a apporté un certain éclairage à cette situation.

Des chercheurs du département de psychologie de l'Université de Cambridge ont développé un nouveau modèle d'intelligence artificielle qui surpasse les méthodes de tests cliniques actuelles pour prédire la progression de la maladie d'Alzheimer.

L'équipe de recherche a utilisé des tests cognitifs et des IRM pour prédire si les patients présentant une déficience cognitive légère développeraient la maladie d'Alzheimer. Les modèles d'apprentissage automatique ont utilisé des données non invasives pour prédire avec précision la progression de la maladie d'Alzheimer dans quatre cas sur cinq.

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

Les résultats de la recherche ont également été publiés dans la revue eClinical Medicine (publiée par The Lancet). Les auteurs estiment que la technologie utilisant le diagnostic et le traitement par intelligence artificielle peut permettre une intervention précoce et réduire le recours à des procédures de diagnostic ultérieures coûteuses.

Prédire avec précision la progression de la maladie d'Alzheimer

Modèle PPM

L'équipe a construit le modèle en utilisant des tests cognitifs et des IRM de l'atrophie de la matière grise, la mort des cellules nerveuses du cerveau, chez 400 patients collectés par une équipe de recherche américaine.

Afin de combler le fossé entre l’intelligence artificielle et la traduction clinique, l’article construit un outil d’intelligence artificielle clinique puissant et interprétable basé sur le modèle PPM (modèle de pronostic prédictif).

Le modèle va au-delà des méthodes de classification binaire pour prédire les individus aux premiers stades de la maladie (déficience cognitive légère, MCI), ceux au stade pré-symptomatique (cognitivement normal, CN) et ceux atteints de la maladie d'Alzheimer (MA) confirmée. .

PPM introduit des méthodes de modélisation de trajectoire pour prédire de manière fiable les tendances futures du développement de la maladie à partir de données multimodales régulièrement collectées.

Et l’utilisation de plusieurs types de données sur les patients, y compris la généralisation des cohortes de recherche aux données sur les patients du monde réel, peut améliorer l’utilité clinique et le potentiel d’adoption dans le secteur des soins de santé.

PPM adopte le cadre GMLVQ d'apprentissage d'ensemble, capable de combiner des données provenant de plusieurs modalités (plutôt que de considérer un seul type de données) pour prédire avec plus de précision la transformation précoce de la maladie que les marqueurs cliniques standards (c.-à-d. atrophie de la matière grise, déclin cognitif) ou cliniques. diagnostic pour la probabilité de la maladie d'Alzheimer.

Exploitez la puissance des données multimodales pour faire des prédictions à partir de données non invasives et peu coûteuses collectées régulièrement, qui ne sont peut-être pas aussi sensibles que les biomarqueurs, mais qui sont plus accessibles économiquement et non invasives à collecter.

Cette approche guidée par l’IA pour la prédiction précoce de grands modèles présente un potentiel puissant :

En prédisant l'état de santé des patients et en réduisant les coûts des soins de santé, moins de patients subiront des tests de diagnostic invasifs et coûteux ;

Deuxièmement, fournir des ressources rares à ceux qui en ont le plus besoin peut améliorer l’efficacité de l’allocation des ressources médicales ;

Enfin, tirer parti de grands modèles pour normaliser le diagnostic entre les cliniques pourrait réduire les inégalités en matière de soins de santé.

Exemple de collecte de données

Le modèle a été testé sur un échantillon de plus de 600 participants des États-Unis et sur 900 échantillons supplémentaires provenant de cliniques du Royaume-Uni et de Singapour.

Les données d'un échantillon américain de 600 personnes provenant de la cohorte de données de l'étude Alzheimer's Disease Neuroimaging Initiative (ADNI) ont été utilisées pour la formation PPM.

900 échantillons supplémentaires ont été utilisés pour la validation hors échantillon en tant que deux ensembles de données de test indépendants, l'IRM quantitative de la NHS Memory Clinic du cerveau structurel et fonctionnel du cerveau (QMIN-MC) et l'ensemble de données du Centre de vieillissement et de cognition de la mémoire de l'Université nationale de Singapour (MACC). .

Ces ensembles de données diffèrent par les données démographiques des patients et les outils de collecte de données, permettant aux expériences de tester simultanément la compatibilité du modèle PPM avec différents groupes nationaux et régionaux.

Plus précisément, pour l'ADNI, les échantillons ont été sélectionnés sur la base de critères spécifiques liés au MCI amnésique et à la maladie d'Alzheimer.

Les données IRM ont été collectées sur des sites de collecte d'IRM aux États-Unis. En revanche, les données QMIN-MC et MACC ont été collectées auprès de services représentatifs de neurologie et de mémoire psychiatrique au Royaume-Uni et à Singapour, respectivement.

Par conséquent, ces cohortes de patients reflètent souvent davantage les profils de patients spécifiques rencontrés dans la pratique clinique que la cohorte d’étude recrutée (ADNI).

Résultats expérimentaux

Les résultats des tests ont montré que l'algorithme pouvait faire la distinction entre les personnes souffrant de troubles cognitifs légers et celles qui évolueraient vers la maladie d'Alzheimer dans les trois ans.

Et, en utilisant uniquement des tests cognitifs et des IRM, il était précis à 82 % pour identifier les personnes susceptibles de développer la maladie d'Alzheimer dans les trois ans, et a identifié correctement 81 % des personnes qui ne développeraient pas la maladie d'Alzheimer.

De plus, il peut également suivre la progression de la maladie et proposer la méthode de traitement la plus appropriée en fonction des différentes circonstances du cas.

Le modèle d'IA a également permis aux chercheurs d'utiliser les données de la première visite chez le médecin de chaque personne pour diviser les patients atteints de la maladie d'Alzheimer en trois groupes : ceux dont les symptômes sont restés stables (environ 50 %), ceux dont les symptômes ont progressé lentement (environ 35 %) et ceux dont les symptômes ont progressé lentement (environ 35 %). Les personnes dont les symptômes se développent plus rapidement (environ 15 %).

Ces prédictions ont été confirmées lorsque les chercheurs ont suivi les données pendant 6 ans de suivi. Ils estiment que la solution de l'IA est trois fois plus précise que le diagnostic clinique pour prédire la progression de la maladie d'Alzheimer.

Une prévision précise à l’avance est importante car elle peut aider à identifier les personnes susceptibles de tomber malade à un stade précoce, tout en identifiant celles qui nécessitent une surveillance étroite car leur état peut s’aggraver rapidement.

"Si nous voulons relever le défi sanitaire croissant posé par la démence, nous aurons besoin de meilleurs outils pour une identification et une intervention précoces", a déclaré Zoe Kourtzi, professeur au département de psychologie de l'Université de Cambridge.

"Notre vision est d'étendre l'utilisation des outils d'intelligence artificielle pour aider les cliniciens à détecter précocement les groupes malades et à utiliser les méthodes de traitement appropriées. À une époque où les ressources médicales sont soumises à une pression énorme, cela contribuera également à éliminer les coûts inutiles et nocifs. Créer un besoin de tests de diagnostic.

Les tests précoces sont également importants pour détecter les erreurs de diagnostic, et chez les personnes qui présentent des symptômes tels qu'une perte de mémoire mais qui restent stables, leurs symptômes peuvent être causés par autre chose que la démence, comme l'anxiété ou la dépression.

Le Dr Ben Underwood, psychiatre consultant honoraire au CPFT et professeur adjoint au département de psychiatrie de l'université de Cambridge, a déclaré : « Les problèmes de mémoire sont courants à mesure que nous vieillissons. Cliniquement, il est impossible de déterminer s'il s'agit du premier signe de démence et causera des problèmes aux patients.

Si les personnes dont l'état est stable peuvent être identifiées avec précision comme ne souffrant pas de la maladie d'Alzheimer, cela réduira également considérablement la pression psychologique des patients.

Le professeur Kourtzi a déclaré : « Les modèles d'IA sont aussi efficaces que les données sur lesquelles ils sont formés. Pour garantir que nos modèles ont le potentiel d'être appliqués dans les établissements de soins de santé, nous utilisons non seulement les données des cohortes de recherche, mais également les données des patients des cliniques. le former et le tester, ce qui montre que le modèle peut être promu pour une application clinique.

À l’avenir, l’équipe de recherche espère étendre son modèle à d’autres types de démence, comme la démence vasculaire et la démence frontotemporale, et utiliser différents types de données, comme les marqueurs dans les analyses de sang.

La recherche a été soutenue par diverses institutions, dont Wellcome, Alzheimer's Research UK, la Royal Society et le National Institute for Health and Care Cambridge Biomedical Research Centre.

Diagnostic précoce de la démence

En plus de créer des modèles de prédiction de l'IA, les universités européennes utilisent activement la technologie de l'intelligence artificielle pour résoudre le problème de la maladie d'Alzheimer.

Soutenu par 14 millions d’euros du programme Horizon de l’UE, le projet AI-Mind développe deux outils d’intelligence artificielle qui pourraient permettre un diagnostic précoce de la démence.

AI-Mind sera lancé en 2021 et se poursuivra jusqu'en 2026. Ses partenaires comprennent sept universités européennes, dont l'Université Aalto en Finlande, l'Université de Tallinn en Estonie et le Centre médical de l'Université Radboud aux Pays-Bas.

Il cible spécifiquement le stade de déficience cognitive légère (MCI), où il n’y a pas de défauts structurels cérébraux et où une intervention est encore possible.

Pour atteindre cet objectif, les 13 partenaires à l'origine du projet construisent le AI-Mind Connector et le AI-Mind Predictor.

Connector analyse les images cérébrales de l’EEG pour détecter les premiers signes pouvant conduire à la démence.

Predictor combine ces données avec des tests cognitifs et des analyses de sang pour estimer le risque de maladie avec une précision supérieure à 95 %.

Les deux outils seront intégrés aux plateformes de diagnostic cloud actuellement utilisées par les professionnels de la santé.

L'objectif ultime du projet est ambitieux : réduire le délai de diagnostic de 2 à 5 ans à 1 semaine. De cette manière, on espère prolonger la période asymptomatique des patients atteints de MCI.

Suivre les amas de protéines

Un autre cas d’utilisation de l’IA dans la lutte contre la démence consiste à améliorer notre compréhension des amas de protéines dans le corps et à suivre leur pathologie.

Pour que notre corps fonctionne correctement, des milliards d’interactions se produisent entre les protéines et d’autres molécules au sein des cellules.

Mais lorsque l’interaction tourne mal, les protéines peuvent s’agglutiner et se détériorer, conduisant à des maladies neurologiques telles que la maladie d’Alzheimer.

Des chercheurs de l’Université de Copenhague ont développé un algorithme d’IA capable de détecter des amas de protéines d’une taille d’un milliardième sur des images obtenues au microscope.

L’algorithme peut également compter les touffes, les classer par forme et taille et surveiller leur évolution au fil du temps.

Cela pourrait aider les scientifiques à comprendre pourquoi ces amas se forment, conduisant ainsi à la découverte de nouveaux médicaments et traitements.

Selon l’équipe, l’outil automatise un processus qui prendrait des semaines aux chercheurs en quelques minutes seulement.

De plus, cet algorithme d’apprentissage automatique est disponible gratuitement sur Internet en tant que modèle open source.

"Alors que les chercheurs du monde entier commencent à déployer cet outil, il contribuera à créer une vaste bibliothèque de structures moléculaires et protéiques pertinentes pour diverses maladies et biologie", a déclaré Nikos Hatzakis, co-auteur de l'étude.

Les références:

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

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