En undersøgelse offentliggjort i Neurobillede: Klinisk medicinsk tidsskrift fandt, at maskinlæringsalgoritmer er i stand til at genkende mønstre af atrofi forbundet med sjældnere neurodegenerative sygdomme som FTD.

Udført af forskere ved Max Planck Institute for Human Cognitive and Brain Sciences og University of Leipzig Medical Center i Tyskland, var undersøgelsen beregnet til at adressere den betydelige hindring for at opnå en korrekt diagnose af mindre almindelige hjernesygdomme. Når diagnosen er usikker, bliver behandlingen vanskelig, fordi læger ikke ved, hvilke terapier de skal forfølge for korrekt at behandle nogens symptomer.

"Spørgsmål som dem, der stilles af [patienter] i vores undersøgelse, er typiske i den daglige kliniske praksis," fortalte studiets medforfatter Matthias Schroeter Neurovidenskabsnyheder. "Først og fremmest opstår spørgsmålet om den korrekte diagnose, så terapien kan tilpasses hver enkelt patient og deres specifikke sygdom."

For at evaluere maskinlæringsalgoritmer som et værktøj til at forbedre diagnose, brugte forskere kunstig intelligens til at analysere billeddata fra 426 deltagere med en form for demens (herunder flere lidelser i FTD-familien) og data fra 51 kontroldeltagere. Maskinlæringsmodellen undersøgte 64 forskellige områder af hjernen og kontrollerede mængderne af forskellige typer hjernevæv for atrofi.

Ifølge forskere kunne en maskinlæringsmodel klassificere den korrekte type demens med et nøjagtighedsområde på 71-95%. En mere kompleks maskinlæringsmodel havde større nøjagtighed, men faldt stadig under 100%. Forskere bemærkede, at den mere komplekse model ikke havde den samme ydeevne for alle typer demens og var bedre til at klassificere lidelser med atrofimønstre, der fokuserede på en bestemt region af hjernen.

Selvom maskinlæring har sine begrænsninger, kan algoritmer stadig være gavnlige til at reducere tiden til diagnose, ifølge forfatterne af undersøgelsen.

"Selv hvis forløbet af disse sygdomme skrider frem, kan de, der er ramt i de tidlige stadier af sygdommen, fortsætte med at arbejde og klare deres daglige liv med støtte. Dette er grunden til, at tidlig diagnose og individuel tilpasning af terapiforanstaltninger er afgørende," sagde Schroeter.

Interesseret i at læse mere om brugen af teknologi som maskinlæring til at diagnosticere FTD? Tjek ud denne artikel om brugen af bærbare sensorer til at overvåge forløbet af progressiv supranukleær parese, eller denne artikel om et studie, der brugte maskinlæring til at undersøge en 120 år gammel teori om demens.

Er du interesseret i at deltage i en undersøgelse som den, du læste om? Tjek AFTD'er Studier søger deltagere side.