En studie publicerad i Neurobild: Klinisk medicinsk tidskrift fann att maskininlärningsalgoritmer kan känna igen mönster av atrofi associerade med sällsynta neurodegenerativa sjukdomar som FTD.

Utförd av forskare vid Max Planck Institute for Human Cognitive and Brain Sciences och University of Leipzig Medical Center i Tyskland, var studien avsedd att ta itu med det betydande hindret för att få en korrekt diagnos av mindre vanliga hjärnsjukdomar. När diagnosen är osäker blir behandlingen svår eftersom läkare inte vet vilka terapier som ska användas för att på rätt sätt ta itu med någons symtom.

"Frågor som de som ställs av [patienter] i vår studie är typiska i den dagliga kliniska praktiken," berättade studiens medförfattare Matthias Schroeter Nyheter om neurovetenskap. "Först och främst uppstår frågan om rätt diagnos så att terapin kan anpassas till varje enskild patient och dennes specifika sjukdom."

För att utvärdera maskininlärningsalgoritmer som ett verktyg för att förbättra diagnos, använde forskare artificiell intelligens för att analysera bilddata från 426 deltagare med en form av demens (inklusive flera sjukdomar i FTD-familjen) och data från 51 kontrolldeltagare. Maskininlärningsmodellen undersökte 64 olika regioner i hjärnan och kontrollerade volymerna av olika typer av hjärnvävnad för atrofi.

Enligt forskare kunde en maskininlärningsmodell klassificera den korrekta typen av demens med ett noggrannhetsområde på 71-95%. En mer komplex maskininlärningsmodell hade större noggrannhet, men föll fortfarande under 100%. Forskare noterade att den mer komplexa modellen inte hade samma prestanda för alla typer av demens, och var bättre på att klassificera störningar med atrofimönster som fokuserade på en viss region av hjärnan.

Även om maskininlärning har sina begränsningar kan algoritmer fortfarande vara fördelaktiga för att minska tiden till diagnos, enligt författarna till studien.

"Även om förloppet av dessa sjukdomar fortskrider, kan de som drabbats i tidiga stadier av sjukdomen fortsätta att arbeta och hantera sin vardag med stöd. Det är därför tidig diagnos och individuell anpassning av terapiåtgärder är avgörande, säger Schroeter.

Intresserad av att läsa mer om användningen av teknik som maskininlärning för att diagnostisera FTD? Kolla upp Denna artikel om användningen av bärbara sensorer för att övervaka utvecklingen av progressiv supranukleär pares, eller Denna artikel om en studie som använde maskininlärning för att undersöka en 120 år gammal teori om demens.

Är du intresserad av att delta i en studie som den du läst om? Kolla in AFTD Studier söker deltagare sida.