در مطالعات قبلی، تغییرات متابولیک مانند جذب گلوکز را در نواحی خاصی از مغز با بیماری آلزایمر را مرتبط دانسته‌اند. برخلاف اینکه تشخیص و درمان به‌هنگام در اوایل بروز بیماری بسیار مهم است اما تشخیص زودهنگام این تغییرات امری چالش‌برانگیز است. براساس مطالعه‌ای که اخیرا در ژورنال رادیولوژی به چاپ رسیده است، محققان با به‌کار گرفتن یادگیری عمیق (Deep Learning) در فرآیند تصویربرداری از مغز، قادر خواهند بود تا پیش‌بینی این بیماری تحلیل‌برنده‌ی عصبی را بهبود بخشند.
به گفته‌ی جو هوو سون، پزشک و دستیار این مطالعه، اغلب محققین به دنبال بیومارکر خاصی برای پیش‌بینی و تشخیص بیماری هستند اما این در حالی است که تغییرات متابولیک ظریفی بر اثر این بیماری رخ می‌دهد.
بنجامین فرانس، نویسنده‌ی ارشد این مطالعه، در انجام این مطالعه قصد داشت که از طریق یادگیری ماشین (Machine Learning) به عنوان نوعی از هوش مصنوعی، الگوهایی از تغییرات متابولیک را بیابد که پیش‌بینی کننده‌ی آلزایمر باشند.
این تیم مطالعاتی با آموزش الگوریتم Deep Learning به یک تکنولوژی تصویربرداری ویژه به نام پرتونگاری انتشار پوزیترون F-fluorodeoxyglucose یا (FDG- PET) و با تزریق ترکیبی از گلوکز رادیواکتیویته به خون در یک اسکن FDG-PET، این نوع از اسکن PET قادر سازند که پس از جذب FDG در سلول‌های مغز، شاخصی از فعالیت متابولیک را بدست آورند.
آن‌ها با دسترسی به اطلاعاتی از سایت طرح تصویربرداری از بیماری آلزایمر که بر روی بررسی‌های بالینی در زمینه‌ی تشخیص بهتر و درمان این بیماری تمرکز دارند، تصاویری شامل بیش از ۲۱۰۰ عکس از مغز را که با استفاده از FDG-PET و از حدود ۱۰۰۲ بیمارگرفته شده است را مورد مطالعه قرار داده و با آموزش الگوریتم Deep Learning در ۹۰ درصد از مجموعه‌ی اطلاعات و همچنین آزمایش این الگوریتم در ۱۰ درصد باقی‌مانده از این مجموعه، الگوهای متابولیکی را آموزش دادند که باور داشتند با بیماری آلزایمر مرتبط است.
نتایج بدست آمده از آزمایش این الگوریتم مجددا روی مجموعه‌ای مجزا از اطلاعات کسب شده از آزمایش تصویربرداری ۴۰ بیماری که هرگز مورد مطالعه قرار نگرفته بودند توانست با ۱۰۰ درصد حساسیت، بیماری را شش سال زودتر از تشخیص نهایی تشخیص دهد.
سون با بیان اینکه درحال حاضر تشخیص آلزایمر در زمانی ممکن است که تحلیل مغز به مراحل پیشرفته‌ای رسیده و امکان مداخلات درمانی را محدود می‌کند، اظهار داشت که: “اگرچه اعتبارسنجی این روش به مطالعات بیش‌تری نیاز دارد، اما عملکرد راضی‌کننده‌ی این الگوریتم به عنوان یک ابزار و همراه با دیگر آزمایش‌های بیوشیمیایی و تصویربرداری، می‌تواند به تشخیص دقیق رادیولوژیست‌ها کمک کرده و آن‌ها را قادر سازد تا ابتلاء افراد به آلزایمر را قبل از پیشرفت بیماری پیش‌بینی و تشخیص دهند و امکان مداخلات درمانی اولیه را تسهیل کرده و حتی روند بیماری را متوقف سازند.”
این تیم امیدوار است که در آینده بتواند با آموزش الگوریتم‌های Deep Learning، الگوهایی را شناسایی کنند که از طریق انباشت پروتئین‌های بتا آمیلوئید، tau و توده‌های پروتئینی نا به‌هنجار مغز، مارکرهای ویژه‌ای برای بیماری آلزایمر باشند.
☑ لینک خبر
☑ لینک مقاله
