Νέα

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Νέα Έκθεση Σοφίας

Επιμέλεια: Er Qiao Yang

[Εισαγωγή στη Νέα Σοφία]Η έρευνα του Πανεπιστημίου του Κέιμπριτζ χρησιμοποιεί τεχνητή νοημοσύνη για να δημιουργήσει ένα μοντέλο μηχανικής μάθησης για να προβλέψει με ακρίβεια την ανάπτυξη της νόσου του Αλτσχάιμερ.

Εάν η τεχνητή νοημοσύνη μπορεί να έχει άνευ προηγουμένου θετικό αντίκτυπο σε έναν τομέα, η «υγειονομική περίθαλψη» πρέπει να είναι ένας από τους πιο ισχυρούς υποψήφιους, ειδικά η έγκαιρη διάγνωση και θεραπεία διαφόρων δύσκολων ασθενειών.

Η νόσος του Αλτσχάιμερ είναι ένα από αυτά.

Καθώς η γήρανση του πληθυσμού προχωρά, όλο και περισσότεροι ηλικιωμένοι εμφανίζονται σαν μια «γόμα» στον εγκέφαλό τους και οι αναμνήσεις τους διαγράφονται σταδιακά, συμπεριλαμβανομένου του παρελθόντος και των στενότερων μελών της οικογένειάς τους ομάδα ηλικιωμένων.

Επί του παρόντος, περισσότεροι από 55 εκατομμύρια άνθρωποι παγκοσμίως πάσχουν από άνοια, με σχεδόν 10 εκατομμύρια νέες περιπτώσεις κάθε χρόνο.

Ο πιο συνηθισμένος τύπος άνοιας είναι η νόσος Αλτσχάιμερ, που αντιπροσωπεύει το 60%-70% όλων των περιπτώσεων. Αναμένεται ότι ο αριθμός των ασθενών με άνοια θα σχεδόν τριπλασιαστεί τα επόμενα 50 χρόνια.

Σε παγκόσμιο επίπεδο, η ασθένεια κόστισε στα συστήματα υγειονομικής περίθαλψης 1,3 τρισεκατομμύρια δολάρια μόνο το 2019.

Όταν πρόκειται για τη νόσο του Αλτσχάιμερ, η έγκαιρη ανίχνευση είναι ζωτικής σημασίας, διότι τότε η θεραπεία μπορεί να είναι πιο αποτελεσματική.

Ωστόσο, η έγκαιρη διάγνωση και πρόγνωση της άνοιας μπορεί να είναι ανακριβής χωρίς τη χρήση επεμβατικών ή δαπανηρών εξετάσεων όπως η τομογραφία εκπομπής ποζιτρονίων (PET) ή η οσφυονωτιαία παρακέντηση (που δεν είναι διαθέσιμες σε όλες τις ιατρικές εγκαταστάσεις).

Ως αποτέλεσμα, έως και το ένα τρίτο των ασθενών μπορεί να διαγνωστούν εσφαλμένα, ενώ άλλοι μπορεί να διαγνωστούν πολύ αργά για να λάβουν αποτελεσματική θεραπεία.

Επιπλέον, για όσους επηρεάζονται, η ασθένεια μπορεί να προκαλέσει κατάθλιψη και άγχος. Για να μην αναφέρουμε τους αβοήθητους και απελπισμένους συγγενείς γύρω τους, που έχουν δει τους ασθενείς να χάνουν σταδιακά τη μνήμη τους, να διαταράσσονται ψυχικά και να βιώνουν συναισθηματική κατάρρευση, αλλά είναι αβοήθητοι.

Ωστόσο, η ανάπτυξη της τεχνολογίας AI έφερε λίγο φως σε αυτήν την κατάσταση.

Ερευνητές από το Τμήμα Ψυχολογίας του Πανεπιστημίου του Κέιμπριτζ ανέπτυξαν ένα νέο μοντέλο τεχνητής νοημοσύνης που ξεπερνά τις τρέχουσες μεθόδους κλινικών δοκιμών στην πρόβλεψη της εξέλιξης της νόσου Αλτσχάιμερ.

Η ερευνητική ομάδα χρησιμοποίησε γνωστικά τεστ και μαγνητικές τομογραφίες για να προβλέψει εάν ασθενείς με ήπια γνωστική εξασθένηση θα αναπτύξουν νόσο Αλτσχάιμερ. Τα μοντέλα μηχανικής μάθησης χρησιμοποίησαν μη επεμβατικά δεδομένα για να προβλέψουν με ακρίβεια την εξέλιξη της νόσου του Αλτσχάιμερ σε τέσσερις στις πέντε περιπτώσεις.

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

Τα αποτελέσματα της έρευνας δημοσιεύθηκαν επίσης στο περιοδικό eClinical Medicine (εκδ. The Lancet). Οι συγγραφείς πιστεύουν ότι η τεχνολογία που χρησιμοποιεί διάγνωση και θεραπεία τεχνητής νοημοσύνης μπορεί να προσφέρει έγκαιρη παρέμβαση και να μειώσει την εξάρτηση από δαπανηρές μεταγενέστερες διαγνωστικές διαδικασίες.

Προβλέψτε με ακρίβεια την εξέλιξη της νόσου του Αλτσχάιμερ

Μοντέλο PPM

Η ομάδα κατασκεύασε το μοντέλο χρησιμοποιώντας γνωστικά τεστ και μαγνητική τομογραφία της ατροφίας της φαιάς ουσίας, του θανάτου των νευρικών κυττάρων στον εγκέφαλο, σε 400 ασθενείς που συλλέχθηκαν από μια αμερικανική ερευνητική ομάδα.

Προκειμένου να γεφυρωθεί το χάσμα μεταξύ τεχνητής νοημοσύνης και κλινικής μετάφρασης, η εργασία δημιουργεί ένα ισχυρό και ερμηνεύσιμο εργαλείο κλινικής τεχνητής νοημοσύνης που βασίζεται στο μοντέλο PPM (προγνωστικό προγνωστικό μοντέλο).

Το μοντέλο υπερβαίνει τις μεθόδους δυαδικής ταξινόμησης για την πρόβλεψη ατόμων στα πρώιμα στάδια της νόσου (ήπια γνωστική εξασθένηση, MCI), εκείνων που βρίσκονται στο προσυμπτωματικό στάδιο (γνωστικά φυσιολογικό, CN) και εκείνων με επιβεβαιωμένη νόσο Alzheimer (AD). .

Το PPM εισάγει μεθόδους μοντελοποίησης τροχιάς για την αξιόπιστη πρόβλεψη των μελλοντικών τάσεων ανάπτυξης της νόσου από δεδομένα πολυτροπικών στοιχείων που συλλέγονται τακτικά.

Και, η χρήση πολλαπλών τύπων δεδομένων ασθενών, συμπεριλαμβανομένης της γενίκευσης από τις ερευνητικές κοόρτες σε δεδομένα ασθενών στον πραγματικό κόσμο, μπορεί να ενισχύσει την κλινική χρησιμότητα και τη δυνατότητα υιοθέτησης στην υγειονομική περίθαλψη.

Το PPM υιοθετεί το πλαίσιο εκμάθησης συνόλου GMLVQ, το οποίο είναι σε θέση να συνδυάζει δεδομένα από πολλαπλές μεθόδους (αντί να εξετάζει έναν μεμονωμένο τύπο δεδομένων) για να προβλέψει με μεγαλύτερη ακρίβεια τον πρώιμο μετασχηματισμό της νόσου από τους τυπικούς κλινικούς δείκτες (δηλαδή, ατροφία της φαιάς ουσίας, γνωστική έκπτωση) ή κλινική διάγνωση για την πιθανότητα της νόσου του Αλτσχάιμερ.

Αξιοποιήστε τη δύναμη των πολυτροπικών δεδομένων για να κάνετε προβλέψεις από μη επεμβατικά και χαμηλού κόστους δεδομένα που συλλέγονται τακτικά, τα οποία μπορεί να μην είναι τόσο ευαίσθητα όσο οι βιοδείκτες, αλλά είναι πιο οικονομικά προσβάσιμα και μη επεμβατικά στη συλλογή.

Αυτή η καθοδηγούμενη από AI προσέγγιση για την έγκαιρη πρόβλεψη μεγάλων μοντέλων έχει ισχυρές δυνατότητες:

Με την πρόβλεψη της υγείας των ασθενών και τη μείωση του κόστους υγειονομικής περίθαλψης, λιγότεροι ασθενείς θα υποβληθούν σε επεμβατικές και δαπανηρές διαγνωστικές εξετάσεις.

Δεύτερον, η παροχή σπάνιων πόρων σε όσους τους χρειάζονται περισσότερο μπορεί να βελτιώσει την αποτελεσματικότητα της κατανομής των ιατρικών πόρων.

Τέλος, η αξιοποίηση μεγάλων μοντέλων για την τυποποίηση της διάγνωσης σε όλες τις κλινικές θα μπορούσε να μειώσει τις ανισότητες στην υγειονομική περίθαλψη.

Συλλογή δειγμάτων δεδομένων

Το μοντέλο δοκιμάστηκε χρησιμοποιώντας ένα δείγμα περισσότερων από 600 συμμετεχόντων από τις Ηνωμένες Πολιτείες και επιπλέον 900 δείγματα από κλινικές στο Ηνωμένο Βασίλειο και τη Σιγκαπούρη.

Για την εκπαίδευση PPM χρησιμοποιήθηκαν δεδομένα σε δείγμα 600 ατόμων στις Η.Π.Α.

Χρησιμοποιήθηκαν 900 επιπλέον δείγματα για επικύρωση εκτός δείγματος ως δύο ανεξάρτητα σύνολα δεδομένων δοκιμών, το NHS Memory Clinic Quantitative MRI of Brain Structural and Functional Brain (QMIN-MC) και το σύνολο δεδομένων του Εθνικού Πανεπιστημίου της Σιγκαπούρης Memory Aging and Cognition Center (MACC) .

Αυτά τα σύνολα δεδομένων διαφέρουν ως προς τα δημογραφικά στοιχεία των ασθενών και τα εργαλεία συλλογής δεδομένων, επιτρέποντας στα πειράματα να ελέγχουν ταυτόχρονα τη συμβατότητα του μοντέλου PPM με διαφορετικές εθνικές και περιφερειακές ομάδες.

Συγκεκριμένα, για την ADNI, επιλέχθηκαν δείγματα με βάση συγκεκριμένα κριτήρια που σχετίζονται με την αμνησιακή MCI και τη νόσο Alzheimer.

Τα δεδομένα μαγνητικής τομογραφίας συλλέχθηκαν από τοποθεσίες συλλογής μαγνητικής τομογραφίας στις Ηνωμένες Πολιτείες. Αντίθετα, δεδομένα QMIN-MC και MACC συλλέχθηκαν από αντιπροσωπευτικές υπηρεσίες νευρολογίας και ψυχιατρικής μνήμης στο Ηνωμένο Βασίλειο και τη Σιγκαπούρη, αντίστοιχα.

Ως εκ τούτου, αυτές οι κοόρτες ασθενών αντικατοπτρίζουν συχνά τα συγκεκριμένα προφίλ ασθενών που συναντώνται στην κλινική πρακτική από την κοόρτη της στρατολογημένης μελέτης (ADNI).

Πειραματικά αποτελέσματα

Τα αποτελέσματα των δοκιμών έδειξαν ότι ο αλγόριθμος μπορούσε να διακρίνει μεταξύ των ατόμων με ήπια γνωστική εξασθένηση και εκείνων που θα εξελίσσονταν στη νόσο του Αλτσχάιμερ μέσα σε τρία χρόνια.

Και, χρησιμοποιώντας μόνο γνωστικά τεστ και μαγνητικές τομογραφίες, ήταν 82% ακριβής στον εντοπισμό ατόμων που θα εμφάνιζαν νόσο του Αλτσχάιμερ μέσα σε τρία χρόνια και εντόπισε σωστά το 81% των ατόμων που δεν θα αναπτύξουν νόσο του Αλτσχάιμερ.

Επιπλέον, μπορεί επίσης να παρακολουθεί την εξέλιξη της νόσου και να παρέχει την καταλληλότερη μέθοδο θεραπείας σύμφωνα με τις διαφορετικές περιστάσεις της περίπτωσης.

Το μοντέλο AI επέτρεψε επίσης στους ερευνητές να χρησιμοποιήσουν δεδομένα από την πρώτη επίσκεψη κάθε ατόμου σε γιατρό για να χωρίσουν τους ασθενείς με Αλτσχάιμερ σε τρεις ομάδες: αυτούς των οποίων τα συμπτώματα παρέμειναν σταθερά (περίπου 50 τοις εκατό), εκείνους των οποίων τα συμπτώματα προχώρησαν αργά (περίπου 35 τοις εκατό) και των οποίων τα συμπτώματα εξελίσσονταν αργά (περίπου 35 τοις εκατό Άτομα των οποίων τα συμπτώματα αναπτύσσονται πιο γρήγορα (περίπου 15%).

Αυτές οι προβλέψεις επιβεβαιώθηκαν όταν οι ερευνητές παρακολούθησαν τα δεδομένα για 6 χρόνια παρακολούθησης. Πιστεύουν ότι η λύση AI είναι τρεις φορές πιο ακριβής από την κλινική διάγνωση στην πρόβλεψη της εξέλιξης της νόσου του Alzheimer.

Η ακριβής πρόβλεψη εκ των προτέρων είναι σημαντική επειδή μπορεί να βοηθήσει στον εντοπισμό ατόμων που είναι πιθανό να αρρωστήσουν σε πρώιμο στάδιο, ενώ επίσης εντοπίζει εκείνους που χρειάζονται στενή παρακολούθηση επειδή η κατάστασή τους μπορεί να επιδεινωθεί γρήγορα.

«Αν θέλουμε να αντιμετωπίσουμε την αυξανόμενη πρόκληση για την υγεία που θέτει η άνοια, θα χρειαστούμε καλύτερα εργαλεία για έγκαιρη αναγνώριση και παρέμβαση», δήλωσε η Ζωή Κουρτζή, καθηγήτρια στο Τμήμα Ψυχολογίας του Πανεπιστημίου του Κέιμπριτζ.

"Το όραμά μας είναι να επεκτείνουμε τη χρήση εργαλείων τεχνητής νοημοσύνης για να βοηθήσουμε τους κλινικούς ιατρούς να ανιχνεύουν νωρίς τις ομάδες ασθενών και να χρησιμοποιούν τις σωστές μεθόδους θεραπείας. Σε μια εποχή που οι ιατρικοί πόροι βρίσκονται υπό τεράστια πίεση, αυτό θα βοηθήσει επίσης στην εξάλειψη των περιττών ακριβών και επιβλαβών. διαγνωστικές εξετάσεις».

Ο πρώιμος έλεγχος είναι επίσης σημαντικός για την ανίχνευση λανθασμένης διάγνωσης και σε άτομα που έχουν συμπτώματα όπως απώλεια μνήμης αλλά παραμένουν σταθερά, τα συμπτώματά τους μπορεί να προκαλούνται από κάτι άλλο εκτός από άνοια, όπως άγχος ή κατάθλιψη.

Ο Δρ Ben Underwood, επίτιμος σύμβουλος ψυχίατρος στο CPFT και επίκουρος καθηγητής στο Τμήμα Ψυχιατρικής του Πανεπιστημίου του Κέιμπριτζ, δήλωσε: "Τα προβλήματα μνήμης είναι κοινά καθώς γερνάμε. Κλινικά, είναι αδύνατο να προσδιοριστεί εάν αυτό είναι το πρώτο σημάδι άνοια και θα προκαλέσει προβλήματα στους ασθενείς.

Εάν τα άτομα με σταθερές καταστάσεις μπορούν να εντοπιστούν με ακρίβεια ότι δεν πάσχουν από τη νόσο του Αλτσχάιμερ, αυτό θα μειώσει επίσης σημαντικά την ψυχολογική πίεση των ασθενών.

Ο καθηγητής Κούρτζι είπε, "Τα μοντέλα τεχνητής νοημοσύνης είναι τόσο καλά όσο τα δεδομένα στα οποία εκπαιδεύονται. Για να διασφαλίσουμε ότι τα μοντέλα μας έχουν τη δυνατότητα να εφαρμοστούν σε περιβάλλοντα υγειονομικής περίθαλψης, δεν χρησιμοποιούμε μόνο δεδομένα από ερευνητικές ομάδες, αλλά και δεδομένα ασθενών από κλινικές . εκπαίδευση και δοκιμή του, κάτι που δείχνει ότι το μοντέλο μπορεί να προωθηθεί για κλινική εφαρμογή».

Στο μέλλον, η ερευνητική ομάδα ελπίζει να επεκτείνει το μοντέλο της σε άλλους τύπους άνοιας, όπως η αγγειακή άνοια και η μετωποκροταφική άνοια, και να χρησιμοποιήσει διαφορετικούς τύπους δεδομένων, όπως δείκτες σε αιματολογικές εξετάσεις.

Η έρευνα υποστηρίχθηκε από διάφορα ιδρύματα όπως το Wellcome, το Alzheimer's Research UK, η Royal Society και το Εθνικό Ινστιτούτο Υγείας και Φροντίδας του Cambridge Biomedical Research Centre.

Πρώιμη διάγνωση άνοιας

Εκτός από την κατασκευή μοντέλων πρόβλεψης τεχνητής νοημοσύνης, τα ευρωπαϊκά πανεπιστήμια χρησιμοποιούν ενεργά την τεχνολογία τεχνητής νοημοσύνης για να λύσουν το πρόβλημα της νόσου του Αλτσχάιμερ.

Με την υποστήριξη 14 εκατομμυρίων ευρώ από το πρόγραμμα EU Horizon, το έργο AI-Mind αναπτύσσει δύο εργαλεία τεχνητής νοημοσύνης που θα μπορούσαν να επιτρέψουν την έγκαιρη διάγνωση της άνοιας.

Το AI-Mind κυκλοφορεί το 2021 και θα συνεχιστεί μέχρι το 2026. Οι εταίροι της περιλαμβάνουν επτά ευρωπαϊκά πανεπιστήμια, μεταξύ των οποίων το Πανεπιστήμιο Aalto στη Φινλανδία, το Πανεπιστήμιο του Ταλίν στην Εσθονία και το Πανεπιστημιακό Ιατρικό Κέντρο Radboud στην Ολλανδία.

Στοχεύει συγκεκριμένα στο στάδιο της ήπιας γνωστικής εξασθένησης (MCI), όπου δεν υπάρχουν δομικά ελαττώματα του εγκεφάλου και η παρέμβαση είναι ακόμα δυνατή.

Για να επιτευχθεί αυτός ο στόχος, οι 13 εταίροι πίσω από το έργο κατασκευάζουν το AI-Mind Connector και το AI-Mind Predictor.

Το Connector αναλύει τις εικόνες του εγκεφάλου από το ΗΕΓ για να ανιχνεύσει πρώιμα σημάδια που μπορεί να οδηγήσουν σε άνοια.

Το Predictor συνδυάζει αυτά τα δεδομένα με γνωστικά τεστ και ανάλυση αίματος για να εκτιμήσει τον κίνδυνο της νόσου με ακρίβεια μεγαλύτερη από 95 τοις εκατό.

Και τα δύο εργαλεία θα ενσωματωθούν σε διαγνωστικές πλατφόρμες cloud που χρησιμοποιούνται επί του παρόντος από επαγγελματίες του ιατρικού τομέα.

Ο απώτερος στόχος του έργου είναι φιλόδοξος: να μειωθεί ο χρόνος διάγνωσης από 2 σε 5 χρόνια σε 1 εβδομάδα. Με αυτόν τον τρόπο, ελπίζεται ότι θα παραταθεί η ασυμπτωματική περίοδος των ασθενών με MCI.

Παρακολουθήστε συστάδες πρωτεΐνης

Μια άλλη περίπτωση χρήσης της τεχνητής νοημοσύνης στην καταπολέμηση της άνοιας είναι η βελτίωση της κατανόησής μας για τις συστάδες πρωτεϊνών στο σώμα και η παρακολούθηση της παθολογίας τους.

Προκειμένου το σώμα μας να λειτουργεί σωστά, συμβαίνουν δισεκατομμύρια αλληλεπιδράσεις μεταξύ πρωτεϊνών και άλλων μορίων μέσα στα κύτταρα.

Αλλά όταν η αλληλεπίδραση πάει στραβά, οι πρωτεΐνες μπορεί να συσσωρευτούν σε συστάδες και να επιδεινωθούν, οδηγώντας σε νευρολογικές ασθένειες όπως το Αλτσχάιμερ.

Ερευνητές στο Πανεπιστήμιο της Κοπεγχάγης ανέπτυξαν έναν αλγόριθμο τεχνητής νοημοσύνης που μπορεί να εντοπίσει συστάδες πρωτεϊνών μεγέθους ενός δισεκατομμυρίου σε εικόνες μικροσκοπίου.

Ο αλγόριθμος μπορεί επίσης να μετρήσει συστάδες, να τις ταξινομήσει κατά σχήμα και μέγεθος και να παρακολουθεί πώς αλλάζουν με την πάροδο του χρόνου.

Αυτό θα μπορούσε να βοηθήσει τους επιστήμονες να κατανοήσουν γιατί σχηματίζονται αυτές οι συστάδες, οδηγώντας στην ανακάλυψη νέων φαρμάκων και θεραπειών.

Σύμφωνα με την ομάδα, το εργαλείο αυτοματοποιεί μια διαδικασία που θα χρειαζόταν οι ερευνητές εβδομάδες για να ολοκληρωθεί μέσα σε λίγα λεπτά.

Επιπλέον, αυτός ο αλγόριθμος μηχανικής εκμάθησης είναι δωρεάν διαθέσιμος στο Διαδίκτυο ως μοντέλο ανοιχτού κώδικα.

«Καθώς οι ερευνητές σε όλο τον κόσμο αρχίζουν να αναπτύσσουν αυτό το εργαλείο, θα βοηθήσει στη δημιουργία μιας μεγάλης βιβλιοθήκης μοριακών και πρωτεϊνικών δομών που σχετίζονται με μια ποικιλία ασθενειών και βιολογίας», δήλωσε ο Νίκος Χατζάκης, συν-συγγραφέας της μελέτης.

Βιβλιογραφικές αναφορές:

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

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