Машинное обучение дает детальное представление о стадиях болезни Альцгеймера

В США группа исследователей, объединившихся на базе и под руководством Корнелльского университета, использовала машинное обучение для определения наиболее точных средств и сроков прогнозирования прогрессирования болезни Альцгеймера у людей с нормальными когнитивными способностями или с легкими когнитивными нарушениями. Полученные данные представляются важнейшими для развития изучения болезни Альцгеймера. Обнаружено, что предсказание будущего развития заболевания у лиц с легкими когнитивными нарушениями проходит проще и с более точными результатами, чем у когнитивно нормальных или бессимптомных лиц. В то же время, прогнозы для когнитивно нормальных субъектов менее точны на длительный срок, а для лиц с легкими когнитивными нарушениями верно обратное.

Моделирование также показало, что магнитно-резонансная томография (МРТ) является полезным прогностическим инструментом для людей на обеих стадиях, тогда как инструменты, отслеживающие молекулярные биомаркеры, такие как позитронно-эмиссионная томография (ПЭТ), более полезны для людей с легкими когнитивными нарушениями.

Статья исследовательской группы «Мультимодальное прогнозирование будущего снижения заболеваемости болезнью Альцгеймера на основе машинного обучения: эмпирическое исследование» (Machine Learning Based Multi-Modal Prediction of Future Decline Toward Alzheimer’s Disease: An Empirical Study), была опубликована в PLOS ONE. Ведущий автор — Батухан Караман (Batuhan Karaman), докторант в области электротехники и вычислительной техники.

Болезнь Альцгеймера может прогрессировать годами, а иногда и десятилетиями, прежде чем у человека появятся симптомы. Если после постановки диагноза у одних людей ход заболевания быстро и критически ухудшается, то другие могут жить с легкими симптомами в течение многих лет. Эти обстоятельства, причины которых не понятны, существенно затрудняют прогнозы о скорости прогрессирования заболевания.

«Проблема в том, что когда мы можем уверенно утверждать, что у кого-то деменция, бывает слишком поздно, а мозгу уже нанесен большой ущерб», — сказал старший автор Мерт Сабунку (Mert Sabuncu), профессор электротехники и вычислительной техники в Инженерном колледже электротехники в радиологии (College of Engineering and of electrical engineering in radiology)  в Weill Cornell Medicine.

«Нам действительно необходимо уметь выявлять болезнь Альцгеймера на ранних стадиях, — сказал Сабунку, — и иметь возможность точно определять, у кого прогресс будет быстрее, а у кого медленнее, чтобы стратифицировать различные группы риска и иметь возможность развертывать любые варианты лечения, которые у нас есть».

Клиницисты часто сосредотачиваются на одном «временном горизонте», обычно в 3-5 лет, чтобы предсказать прогрессирование болезни Альцгеймера у пациента. 

Сабунку и Караман объединились с  Элизабет Мормино (Elizabeth Mormino) из Стэнфордского университета, чтобы использовать машинное обучение нейронной сети, способное анализировать данные за 5 лет о людях, которые были когнитивно нормальными, либо имели легкие когнитивные нарушения. Данные, собранные в ходе исследования «Инициативы нейровизуализации болезни Альцгеймера», охватывают весь возможный массив – от генетической истории человека до ПЭТ и МРТ.

«Нас интересовало, сможем ли мы посмотреть на эти данные и сказать, будет ли человек прогрессировать в ближайшие годы?» — пояснил Сабунку. «И, что важно, сможем ли мы лучше прогнозировать развитие болезни, если объединим все последующие данные, которые у нас есть и детально проанализируем их?»

Исследователи обнаружили несколько примечательных закономерностей. Например, предсказать, что человек перейдет от бессимптомного состояния к проявлению легких симптомов, гораздо проще за временной горизонт в 1 год, сравнительно с 5-ю годами. Тем не менее, предсказание того, перейдет ли кто-то от легких когнитивных нарушений в деменцию Альцгеймера, является самым точным на более длительном временном графике, где «золотая середина» составляет около 4-х лет.

Что касается эффективности различных типов данных, моделирование показало, что МРТ наиболее информативна для бессимптомных случаев и особенно полезна для прогнозирования появления симптомов в течение следующих 3-х лет, но менее полезна для прогнозирования для людей с легкими когнитивными нарушениями.  Как только у пациента развились легкие когнитивные нарушения, ПЭТ-сканирование, измеряющее определенные молекулярные маркеры (белки амилоид и тау), становится более эффективным.

Одним из преимуществ подхода машинного обучения является то, что нейронные сети достаточно гибкие, чтобы эффективно функционировать и выдавать общую картину, даже несмотря на отсутствие некоторых данных, если пациенты пропустили МРТ либо ПЭТ.

В дальнейшем планируется существенно модифицировать моделирование, чтобы стало возможным обрабатывать полные изображения или геномные данные, а не только сводные измерения. Этот прогресс позволит собирать значительно больше информации, и, соответственно, повысить точность прогнозов.

В США это важнейшее и уникальное исследование было поддержано Национальным институтом здравоохранения, Национальной медицинской библиотекой, Национальным институтом старения, а также Национальным научным фондом.

Источник: https://www.eurekalert.org/

29.11.2022