Badanie opublikowane w Neuroobraz: kliniczny W czasopiśmie medycznym stwierdzono, że algorytmy uczenia maszynowego są w stanie rozpoznać wzorce atrofii związane z rzadszymi chorobami neurodegeneracyjnymi, takimi jak FTD.

Badanie przeprowadzone przez naukowców z Instytutu Nauk o Człowieku i Mózgu im. Maxa Plancka oraz Centrum Medycznego Uniwersytetu w Lipsku w Niemczech miało na celu usunięcie istotnej przeszkody w uzyskaniu prawidłowej diagnozy mniej powszechnych zaburzeń mózgu. Gdy diagnoza jest niepewna, leczenie staje się trudne, ponieważ lekarze nie wiedzą, jakie terapie zastosować, aby właściwie złagodzić czyjeś objawy.

„Pytania takie jak te zadawane przez [pacjentów] w naszym badaniu są typowe w codziennej praktyce klinicznej” – powiedział współautor badania Matthias Schroeter Wiadomości z neurologii. „Przede wszystkim pojawia się pytanie o prawidłową diagnozę, aby terapię można było dostosować indywidualnie do każdego pacjenta i jego specyficznej choroby.”

Aby ocenić algorytmy uczenia maszynowego jako narzędzie usprawniające diagnozę, badacze wykorzystali sztuczną inteligencję do analizy danych obrazowych pochodzących od 426 uczestników z pewną formą demencji (w tym kilku zaburzeń z rodziny FTD) i danych od 51 uczestników z grupy kontrolnej. Model uczenia maszynowego zbadał 64 różne obszary mózgu, sprawdzając objętość różnych typów tkanki mózgowej pod kątem atrofii.

Zdaniem badaczy jeden model uczenia maszynowego mógłby sklasyfikować właściwy typ demencji z dokładnością w zakresie 71–95%. Bardziej złożony model uczenia maszynowego miał większą dokładność, ale nadal spadał poniżej 100%. Naukowcy zauważyli, że bardziej złożony model nie zapewniał takiej samej skuteczności w przypadku wszystkich typów demencji i lepiej radził sobie z klasyfikacją zaburzeń charakteryzujących się wzorcami atrofii skupiającymi się na określonym obszarze mózgu.

Choć uczenie maszynowe ma swoje ograniczenia, zdaniem autorów badania algorytmy mogą nadal skutecznie skracać czas diagnozy.

„Nawet jeśli przebieg tych chorób będzie się pogłębiał, osoby dotknięte chorobą we wczesnym stadium będą mogły przy wsparciu nadal pracować i radzić sobie z codziennym życiem. Dlatego tak kluczowa jest wczesna diagnoza i indywidualne dostosowanie środków terapeutycznych” – stwierdził Schroeter.

Chcesz dowiedzieć się więcej na temat wykorzystania technologii takich jak uczenie maszynowe do diagnozowania FTD? Wymeldować się Ten artykuł na temat stosowania czujników do noszenia w celu monitorowania postępu choroby postępujące porażenie nadjądrowe, Lub Ten artykuł o badaniu, w którym wykorzystano uczenie maszynowe do sprawdzenia 120-letniej teorii na temat demencji.

Czy jesteś zainteresowany udziałem w badaniu takim jak to, o którym czytałeś? Sprawdź AFTD Studia poszukujące uczestników strona.