Een studie gepubliceerd in de Neuroimage: klinisch medisch tijdschrift ontdekte dat machine-learning algoritmen in staat zijn patronen van atrofie te herkennen die verband houden met zeldzamere neurodegeneratieve ziekten zoals FTD.

Uitgevoerd door onderzoekers van het Max Planck Instituut voor Menselijke Cognitieve en Hersenwetenschappen en het Universitair Medisch Centrum van Leipzig in Duitsland, was de studie bedoeld om het aanzienlijke obstakel aan te pakken voor het verkrijgen van een juiste diagnose van minder vaak voorkomende hersenaandoeningen. Wanneer de diagnose onzeker is, wordt behandeling moeilijk omdat medische professionals niet weten welke therapieën ze moeten volgen om iemands symptomen goed aan te pakken.

"Vragen zoals die gesteld door [patiënten] in onze studie zijn typerend voor de dagelijkse klinische praktijk", vertelde co-auteur Matthias Schroeter van het onderzoek Neurowetenschappelijk nieuws. “Allereerst rijst de vraag wat de juiste diagnose is, zodat de therapie kan worden aangepast aan elke individuele patiënt en zijn specifieke ziekte.”

Om machine learning-algoritmen te evalueren als hulpmiddel voor het verbeteren van de diagnose, gebruikten onderzoekers kunstmatige intelligentie om beeldgegevens te ontleden van 426 deelnemers met een vorm van dementie (waaronder verschillende aandoeningen in de FTD-familie) en gegevens van 51 controledeelnemers. Het machine-learningmodel onderzocht 64 verschillende hersengebieden en controleerde de volumes van verschillende soorten hersenweefsel op atrofie.

Volgens onderzoekers zou één machine-learningmodel het juiste type dementie kunnen classificeren met een nauwkeurigheidsbereik van 71-95%. Een complexer machine learning-model had een grotere nauwkeurigheid, maar viel nog steeds onder de 100%. Onderzoekers merkten op dat het complexere model niet dezelfde prestaties leverde voor alle vormen van dementie en beter was in het classificeren van aandoeningen met atrofiepatronen die gericht waren op een bepaald deel van de hersenen.

Hoewel machine learning zijn beperkingen heeft, kunnen algoritmen volgens de auteurs van het onderzoek nog steeds nuttig zijn om de tijd tot diagnose te verkorten.

“Zelfs als het beloop van deze ziekten voortschrijdt, kunnen degenen die in de vroege stadia van de ziekte zijn getroffen, met ondersteuning blijven werken en hun dagelijks leven leiden. Daarom zijn vroege diagnose en individuele aanpassing van therapiemaatregelen cruciaal, "zei Schroeter.

Meer lezen over het gebruik van technologie zoals machine learning om FTD te diagnosticeren? Uitchecken Dit artikel over het gebruik van draagbare sensoren om de voortgang van progressieve supranucleaire verlamming, of Dit artikel over een studie die machine learning gebruikte om een 120 jaar oude theorie over dementie te onderzoeken.

Bent u geïnteresseerd in deelname aan een onderzoek zoals waarover u leest? Bekijk AFTD's Studies op zoek naar deelnemers bladzijde.