Predviđeni troškovi brige za milione pojedinaca koji imaju Alchajmerovu bolest (AD) širom sveta će premašiti 1 bilion dolara za nekoliko godina. Pored ogromnog zdravstvenog opterećenja, pacijenti i njihovi negovatelji doživljavaju finansijski, fizički i psihički napor. Teorija o ponovljenom neuspehu leka u AD je da se pacijenti koji su podvrgnuti eksperimentalnim terapijama biraju prekasno u procesu bolesti. Zbog toga je važno identifikovati pacijente sa visokim rizikom od progresije u AD u ranim stadijumima bolesti.
Da bi pomogli u identifikaciji osoba koje bi mogle imati koristi od ranih intervencija, istraživači sa Univerziteta u Bostonu razvili su okvir dubokog učenja koji može stratificirati pojedince sa blagim kognitivnim oštećenjem (MCI) na osnovu njihovog rizika od napredovanja do AD.
„Kvantifikacija rizika od progresije do Alchajmerove bolesti (AD) mogla bi da pomogne u identifikaciji osoba koje bi mogle imati koristi od ranih intervencija“, kaže odgovarajući autor Vijaia B. Kolachalama, dr, FAHA, vanredni profesor medicine na Bostonskom univerzitetu Chobanian & Avedisian School medicine.
Tim je proučavao podatke Inicijative za neuroimaging za Alchajmerovu bolest (ADNI) i Nacionalnog koordinacionog centra za Alchajmerovu bolest (NACC), razdvajajući pojedince sa blagim kognitivnim oštećenjem (MCI) u grupe na osnovu nivoa amiloida-β u moždanoj tečnosti. Oni su proučavali obrasce zapremine sive materije unutar ovih grupa kako bi identifikovali rizične grupe, potvrđujući svoje nalaze stručnim procenama.
Razvili su modele koji su kombinovali neuronske mreže sa analizom preživljavanja kako bi predvideli napredak od MCI do Alchajmerove bolesti. Zatim su povezali svoje modelske prognoze sa biološkim dokazima, potvrđujući dijagnozu Alchajmerove bolesti sa post-mortem podacima.
„Koristeći napredak u mašinskom učenju koje se može tumačiti, pokazali smo da su regioni mozga relevantni za AD, kao što je medijalni temporalni režanj, među najvažnijim regionima za predviđanje rizika progresije, čime smo uverili da su naši nalazi u skladu sa utvrđenim medicinskim znanjem“, dodao je Kolačalama.
Prema istraživačima, ovi nalazi predstavljaju inovaciju na raskrsnici neurologije i računarstva, dok naglašavaju usklađenost modela sa biološkim dokazima koristeći rutinski prikupljene informacije kao što je strukturni MRI za kvantifikaciju rizika od progresije od MCI do AD.
„Koristili smo duboke neuronske mreže zasnovane na preživljavanju u kombinaciji sa minimalno obrađenom strukturnom MRI, široko dostupnom, neinvazivnom tehnikom. Dalje, korišćenjem najsavremenijih metoda dubokog učenja u kombinaciji sa Shaplei Additive EkPlanations (SHAP), metodom zasnovanom na kooperativnoj teoriji igara i korišćenom za povećanje transparentnosti i interpretabilnosti modela mašinskog učenja, uspeli smo da identifikujemo regione koji su posebno važni za predviđanje povećanog rizika progresije.“
Ovi nalazi se pojavljuju na internetu u časopisu iScience.
