Ricerche

Mappa di salienza del modello Inception V3 di apprendimento profondo sulla classificazione dell'Alzheimer. (a) Una mappa saliente rappresentativa con sovrapposizione anatomica nell'uomo di 77 anni. (b) Mappa della salienza media sul 10% del set di neuroscansioni di Alzheimer. (c) Mappa della salienza media rispetto al set di test indipendente. Più vicino è il colore del pixel all'estremità 'Alta' della barra dei colori nell'immagine, maggiore è l'influenza che ha sulla previsione dell'Alzheimer

L'intelligenza artificiale migliora la capacità della scansione cerebrale di predire il morbo di Alzheimer (MA), secondo uno studio pubblicato su Radiology.

Anche se in teoria la diagnosi tempestiva del MA è estremamente importante, si è finora dimostrato difficile realizzarla in pratica. La ricerca ha collegato il processo patologico ai cambiamenti nel metabolismo, come dimostrato dall'assorbimento del glucosio in alcune regioni del cervello, ma questi cambiamenti possono essere difficili da riconoscere.

"Le differenze nello schema di assorbimento del glucosio nel cervello sono molto sottili e diffuse", ha detto il co-autore dello studio Jae Ho Sohn MD, del dipartimento di Radiologia e Biomedicina dell'Università della California di San Francisco (UCSF). "Siamo bravi a trovare specifici biomarcatori della malattia, ma i cambiamenti metabolici rappresentano un processo più globale e sottile".

L'autore senior dello studio, Benjamin Franc MD della UCSF, ha contattato il dott. Sohn e Yiming Ding studente della University of California di Berkeley, attraverso il gruppo di ricerca Big Data in Radiology, un team multidisciplinare di medici e ingegneri che si occupano di scienza dei dati radiologici. Il Dr. Franc era interessato ad applicare l'apprendimento profondo (DL) per trovare cambiamenti nel metabolismo del cervello che possano prevedere il MA.

I ricercatori hanno addestrato l'algoritmo DL con scansioni PET con 18-F-fluorodesossiglucosio (FDG-PET), e con i dati dell'Alzheimer's Disease Neuroimaging Initiative (ADNI), un importante studio multi-sito incentrato su studi clinici per migliorare la prevenzione e il trattamento di questa malattia. Il set di dati ADNI comprendeva oltre 2.100 immagini FDG-PET del cervello di 1.002 pazienti. I ricercatori hanno addestrato l'algoritmo DL sul 90% del set di dati e poi lo hanno testato sul restante 10%.

Infine, i ricercatori hanno testato l'algoritmo su un set indipendente di 40 esami di scansione su 40 pazienti che non avevano mai studiato. L'algoritmo ha raggiunto una sensibilità del 100% nel rilevare la malattia, in media oltre sei anni prima della diagnosi finale. "Siamo rimasti molto soddisfatti delle prestazioni dell'algoritmo", ha affermato il dott. Sohn. "È stato in grado di prevedere ogni singolo caso che ha portato al MA".

L'algoritmo potrebbe aiutare i radiologi

Anche se ha avvertito che il loro set di test indipendente era piccolo e necessita di ulteriore validazione con uno studio prospettico multi-istituzionale più ampio, il Dr. Sohn ha detto che l'algoritmo potrebbe essere uno strumento utile per completare il lavoro dei radiologi - specialmente in combinazione con altri test biochimici e di scansione - fornendo un'opportunità per un intervento terapeutico precoce.

"Se diagnostichiamo il MA quando tutti i sintomi si sono manifestati, la perdita di volume cerebrale è così importante che è troppo tardi per intervenire", ha detto. "Se fossimo in grado di rilevarlo prima, sarebbe un'opportunità potenziale per gli investigatori di trovare modi migliori per rallentare o addirittura arrestare il processo della malattia".

Le direzioni future della ricerca includono l'addestramento dell'algoritmo DL per cercare modelli associati all'accumulo di proteine amiloide-​​beta e tau, i gruppi di proteine ​​anormali e di grovigli nel cervello che sono marcatori specifici del MA.