Boala Alzheimer reprezintă aproximativ 60% până la 70% din cazurile de demență la nivel mondial. Deși schimbările structurale ale creierului și declinul cognitiv sunt semne distinctive ale bolii, prognosticul precis al celor care vor dezvolta un impair cognitiv progresiv rămâne dificil.
Fluxurile actuale de diagnostic se bazează adesea pe mai multe tehnici complementare, cum ar fi imagistica PET, biomarkerii din lichidul cefalorahidian sau sânge, testele genetice și evaluările neuropsihologice cuprinzătoare. Cu toate că sunt eficiente, aceste abordări pot fi costisitoare, consumatoare de timp și inaccesibile în multe setări de îngrijire medicală.
Scanările MRI se numără printre cele mai larg disponibile instrumente de imagistică clinică pentru evaluarea neurologică, însă datele MRI singure au avut dificultăți istorice în a captura complexitatea și heterogenitatea progresiei bolii Alzheimer când sunt folosite în cadrele AI convenționale.
Pentru a aborda această provocare, echipa UCSF a proiectat un cadru de învățare profundă multitask care combină cunoștințe de imagistică specifice domeniului cu metode avansate de învățare automată pentru a prezice rezultatele cognitive direct din scanările MRI structurale.
Spre deosebire de multe modele anterioare de prognozare a Alzheimerului, noul sistem nu necesită date de imagistică longitudinale, teste cognitive de bază, scanări PET sau analize de biomarkeri moleculari.
Cercetătorii s-au concentrat în schimb pe extragerea de informații semnificative din punct de vedere clinic dintr-un singur scan MRI de bază. Cadru a fost antrenat să efectueze mai multe sarcini conexe simultan, inclusiv segmentarea țesutului, prognoza diagnosticului Alzheimer și estimarea atât a performanței cognitive prezente, cât și viitoare.
O inovație cheie a studiului a fost dezvoltarea unui model de imagine specializat care segmentează țesutul cerebral în substanță cenușie, substanță albă și lichid cefalorahidian înainte de a genera predicțiile cognitive. Conform autorilor, această etapă de segmentare specifică sarcinii a permis modelului să învețe caracteristici spațiale ale creierului biologic relevante mai eficient decât abordările standard de transfer de învățare.
Autorul principal al studiului, Ashish Raj, PhD, profesor de radiologie și imagistică biomedicală la UCSF, a declarat că obiectivul a fost de a crea un sistem care ar putea fi implementat în mod realist în medii clinice de rutină.
„Pentru a antrena și valida cadru, cercetătorii au folosit imagistica și clini
Sursa articol https://insideprecisionmedicine.com
Senior Editor RevistaSanatatii.ro. Pasionat de lifespan, fan David Sinclair.
