Künstliche Intelligenz könnte dazu beitragen, die Alzheimer Krankheit zu fangen früh
Nachweismethoden
Die Gehirn-Scans von der Hälfte die 260 Teilnehmer wurden verwendet, um das System zu trainieren, und die andere Hälfte wurden dann verwendet, um zu testen, ob das System unter verschiedenen Bedingungen unterscheiden könnte, wenn man vorher unseen MRI-Scans.
Die Forscher entdeckten, dass ihr Ansatz unterscheiden könnte Alzheimer und SCD mit 90-prozentiger Genauigkeit und zwischen Alzheimer und MCI mit 82 Prozent Genauigkeit. Das System war jedoch unerwartet schlecht unterscheiden zwischen MCI und SCD, erreichen eine Genauigkeit von nur 60 Prozent, die Forscher fanden. [10 Möglichkeiten, um Ihren Verstand scharf]
Aufreizend, sagte vorläufige Ergebnisse vorschlagen, dass der Ansatz zu Fällen von MCI unterscheiden, diese Fortschritte zu Alzheimer und diejenigen, die nicht sein kann, der Forscher.
In der Studie gab es nur 24 MCI-Fälle mit Follow-up-Daten angeben ob Zustand des Patienten zu Alzheimer fortgeschritten's, mit 12 in jeder Kategorie. Daher in zwei Gruppen aufteilen – eines, das System und eine andere, testen Sie ihre Fähigkeit, die Bedingung in unsichtbaren Scans zu klassifizieren zu trainieren – war nicht möglich, sagte der Forscher.
In einer vorläufigen Analyse wurde das System auf allen 24 Fällen was zu Ausbildung Genauigkeiten von rund 80 Prozent, wenn diese Gruppen zu klassifizieren und getrennt von den anderen Hauptgruppen ausgebildet.
Aber ohne eine separate Vorhersage-Gruppe, es war unmöglich, das System auf unsichtbare Scans zu testen die Forscher sagten. In Kombination mit der kleinen Stichprobengröße in der Studie, sagte Augenzwinkern, es ist zu früh, um irgendwelche Schlussfolgerungen, obwohl die vorläufigen Ergebnisse sind ermutigend.
Reale Anwendungen
Ender Konukoglu, Assistant Professor für biomedizinische Bild computing an der ETH-Zürich, eine Wissenschaft und technische Universität in der Schweiz, sagte kombinieren maschinelles lernen und ASL Roman und konnten signifikante klinische Anwendungen, aber es muss mehr getan werden, um das Konzept zu überprüfen.
Die wertvollsten Anwendung ist die Fähigkeit zur Unterscheidung zwischen MCI Fällen, dass der Fortschritt zu Alzheimer und diejenigen, die nicht, aber die Stichprobengröße in dieser Studie zur Beurteilung der Zuverlässigkeit für einen solchen Einsatz zu klein ist, sagte er. "Größere Kohorten konnten zeigen, dass ASL Bildgebung kombiniert mit Machine Learning in der Lage ist, die MCI-Gruppen zu klassifizieren, aber bis dahin es schwierig ist, über die klinische Anwendbarkeit der hier vorgestellten Methoden sprechen", sagte Konukoglu Leben Wissenschaft.
Augenzwinkern einig, dass ein Weg, um die Genauigkeit zu verbessern wäre, größere Datenmengen zu verwenden. Aber der Ansatz seiner Gruppe arbeitet an der Schaffung maschinelles lernen Techniken, können eine Vielzahl von Daten aus verschiedenen imaging-Geräte, sagte er.
Christian Salvatore, ein Forscher am Institut für molekulare Bioimaging und Physiologie des italienischen National Research Council, sagte der Forschung ist innovativ, aber keine neuen Techniken einführen. Es ist einfach eine Anwendung einer bekannten Computerlernen Toolbox für Neuroimaging Analysis, ASL, sagte er.
Aber die Einstufung Leistungen sind gut, Salvatore gesagt, und der Ansatz hilft auch die Gehirnregionen für Ärzte von Interesse zu identifizieren, wenn diese Bedingungen zu diagnostizieren. Dies ist etwas viele Forscher mit maschinellem Lernen für Neuroimage Analyse zu vernachlässigen, sagte er.
"Kliniker"Ergebnisse anzeigen"möchten – sie Vertrauen keine Black Box, die nur die vorhergesagte Bezeichnung für einen Patienten zurückgibt" Er erzählte Leben Wissenschaft. "So sind Karten der wichtigsten Voxel [3D Pixel] für die Einstufung durchaus notwendig."