โรคอัลไซเมอร์ (AD) ซึ่งเป็นสาเหตุที่พบบ่อยที่สุดของภาวะสมองเสื่อม มีลักษณะเฉพาะคือความบกพร่องทางสติปัญญาที่ก้าวหน้าขึ้นและการฝ่อของสมอง ปัจจุบัน ผู้ป่วยได้รับการประเมินโดยใช้การทดสอบความจำและความรู้ความเข้าใจ รวมถึงการสแกนสมองเพื่อตรวจหาตัวบ่งชี้ทางชีวภาพ เช่น การสะสมของโปรตีนในสมองและการหดตัวของฮิปโปแคมปัส แต่ AD ยังคงมีความท้าทายในการวินิจฉัย โดยเฉพาะอย่างยิ่งในระยะแรกของโรค
ทีมวิจัยที่นำโดยImperial College Londonได้แสดงให้เห็นว่า
การรวมกันของ MRI ที่มีโครงสร้างและการเรียนรู้ของเครื่องสามารถวินิจฉัย AD จากการสแกนสมองเพียงครั้งเดียว เทคนิคนี้ใช้แบบจำลองการทำนายที่ใช้ข้อมูล MRI เพื่อระบุความแตกต่างในสมองระหว่างผู้ที่มีและไม่มีโฆษณา ที่สำคัญ วิธีการใหม่นี้สามารถระบุ AD ได้ตั้งแต่ระยะเริ่มต้น แม้กระทั่งก่อนที่สมองจะหดตัวอย่างเห็นได้ชัด
หัวหน้าทีมEric Aboagyeและเพื่อนร่วมงานได้พัฒนาอัลกอริทึมที่คำนวณคุณลักษณะหลายภูมิภาค เช่น รูปร่าง ขนาด ความเข้ม และพื้นผิว จากการสแกน MRI ที่ถ่วงน้ำหนัก T1 แบบจำลองที่อธิบายไว้ในCommunications Medicineใช้คุณลักษณะเหล่านี้เพื่อหาตัวบ่งชี้ทางชีวภาพที่เรียกว่า Alzheimer’s Predictive vector (ApV)
แบบจำลองนี้ทำงานโดยการแบ่งภาพ MR ออกเป็น 115 ส่วนในสมอง (45 ส่วนที่เป็นเนื้อขาวและ 70 ส่วนใต้เปลือกสมอง) และแยกลักษณะที่แตกต่างกัน 656 ส่วนสำหรับแต่ละส่วน เพื่อหลีกเลี่ยงการใช้เกินพอดี ตัวดำเนินการเลือกและหดตัวสัมบูรณ์น้อยที่สุด (LASSO) จะเลือกคุณสมบัติที่ให้ข้อมูลมากที่สุดและซ้ำซ้อนน้อยที่สุดซึ่งสอดคล้องกับบริเวณสมองที่เฉพาะเจาะจง
ในการฝึกอัลกอริทึมเพื่อระบุการเปลี่ยนแปลงที่สามารถทำนาย AD ได้ ทีมใช้การสแกน 1.5 T MRI ที่ได้รับจาก Alzheimer’s Disease Neuroimaging Initiative ( ADNI ) ชุดข้อมูลนี้ประกอบด้วยกลุ่มควบคุมของบุคคลที่มีสุขภาพแข็งแรง ผู้ป่วยที่มีภาวะสมองเสื่อมส่วนหน้า และผู้ป่วยโรคพาร์กินสัน รวมถึงกลุ่มโรคของผู้ที่มีความบกพร่องทางสติปัญญาที่เกี่ยวข้องกับ AD หรือ AD (MCI AD )
ทีมงานได้พัฒนาตัวชี้วัดทางชีวภาพ 2 ตัว โดยตัวแรกคือ ApV 1
เพื่อ แยกความแตกต่างของคนที่มีและไม่มีโรคที่เกี่ยวข้องกับอัลไซเมอร์ ในการคำนวณ ApV 1อัลกอริทึมจะพิจารณาคุณสมบัติที่ดึงมาจากบริเวณสมองทั้งหมด จากสิ่งเหล่านี้ LASSO ได้เลือกคุณลักษณะ 20 รายการใน 14 ภูมิภาค และใช้ผลรวมถ่วงน้ำหนักเพื่อ กำหนดApV 1 การรวมโมเดลเข้ากับการวัดความรู้ความเข้าใจและไบโอมาร์คเกอร์ที่อิงกับน้ำไขสันหลัง (CSF) ทำให้เกิดเวกเตอร์คาดการณ์เพิ่มเติมApV 1s
นักวิจัยได้ทดสอบแบบจำลองในชุดทดสอบภายในที่มองไม่เห็นจากกลุ่ม 1.5 T ADNI ApV 1แสดงความแม่นยำ 98% ในการทำนายโรคที่เกี่ยวข้องกับ AD วิธีนี้แม่นยำกว่ามาตรการทางคลินิกมาตรฐาน – ปริมาณฮิปโปแคมปัส (ความแม่นยำ 26%) และความเข้มข้นของ CSF beta amyloid (ความแม่นยำ 62%) – เสนอทางเลือกที่เป็นไปได้ในการวัด CSF แบบรุกล้ำ
พวกเขายังได้ทดสอบวิธีการนี้กับชุดทดสอบภายนอก: ข้อมูล 1.5 T MRI จาก 64 คนในกลุ่มOASIS ที่นี่ ApV 1และ ApV 1แสดงความแม่นยำสูงถึง 81% และ 83% ตามลำดับ
ในการทดสอบข้อมูล 1.5T ที่มองไม่เห็นจาก ADNI พบว่า ApV 2มีความแม่นยำถึง 79% ในการแยกแยะระยะเริ่มต้นจาก AD รูปแบบต่อมา โดยมีความแม่นยำสูงกว่า 86% เมื่อรวมคะแนนความรู้ความเข้าใจและไบโอมาร์คเกอร์จาก CSF สิ่งนี้เปรียบเทียบกับความแม่นยำ 53% และ 49% สำหรับการวัดปริมาตรของฮิปโปแคมปัสและ CSF เบต้าอะไมลอยด์ ตามลำดับ ทีมงานตั้งข้อสังเกตว่าความแม่นยำสูงนี้มีความโดดเด่นเป็นพิเศษเนื่องจากความต่อเนื่องของการลุกลามของโรคระหว่าง MCI ADและ AD
เมื่อนำโมเดลนี้ไปใช้กับการสแกน MRI 3 ครั้ง ApV 1และ ApV 2แสดงความแม่นยำลดลง 49% และ 62% ตามลำดับ นักวิจัยแนะนำว่าประสิทธิภาพที่ต่ำกว่าที่ 3 T น่าจะเกิดจากความไวของคุณสมบัติคลื่นวิทยุของ MRI ต่อความแรงของสนามแม่เหล็ก และปัจจุบันนี้จำกัดการใช้อัลกอริธึมเพียงข้อมูล 1.5 T
ทีมงานยังได้ทดสอบแบบจำลองกับผู้ป่วย 83 รายที่สงสัยว่ามีการลดลงของความรู้ความเข้าใจซึ่งได้รับการถ่ายภาพทางคลินิกด้วย amyloid PET ที่ Imperial Memory Center ซึ่งเป็นส่วนหนึ่งของงานวินิจฉัยพร้อมกับการสแกน MRI และการประเมินทางประสาทวิทยา ภาพ PET ถูกจัดประเภทเป็นทั้งแอมีลอยด์บวก โดยมีการวินิจฉัยทางคลินิกของ AD หรือแอมีลอยด์เป็นลบ มีแนวโน้มว่าเป็นโรคสมองเสื่อมประเภทอื่นหรือสภาวะที่ไม่เกี่ยวกับความเสื่อมของระบบประสาท
แนะนำ : รีวิวซีรี่ย์เกาหลี | ลายสัก | รีวิวร้านอาหาร | โทรศัพท์มือถือ ราคาถูก | เรื่องย่อหนัง
