211service.com
Software sagt kognitiven Rückgang anhand von Gehirnbildern voraus
Die chronische neurologische Erkrankung namens Alzheimer-Krankheit ist eine der heimtückischsten in der modernen Gesellschaft. Im Jahr 2015 wurde angenommen, dass etwa 30 Millionen Menschen an dieser Krankheit leiden. Als äußerst kostspielige Erkrankung stellt dies eine erhebliche Belastung für die Gesundheitssysteme auf der ganzen Welt dar.
Obwohl es keine bekannte Möglichkeit gibt, die Krankheit in fortgeschrittenen Fällen aufzuhalten, gibt es Hinweise darauf, dass ihr Fortschreiten verlangsamt oder gestoppt werden kann, wenn sie früh erkannt wird. Daher ist es ein wichtiges Ziel, einen zuverlässigen Weg zu finden, um Menschen zu erkennen, bei denen ein Risiko besteht, an der Krankheit zu erkranken.
Heute sagen Hongyoon Choi vom Cheonan Public Health Center und Kyong Hwan Jin vom Korea Advanced Institute of Science and Technology, beide in Südkorea, dass sie mithilfe von Deep Learning genau eine solche Technik entwickelt haben. Diese Jungs sagen, dass ihr Verfahren Menschen, die wahrscheinlich in den nächsten drei Jahren Alzheimer entwickeln werden, genau identifizieren kann.
Ein Deep-Learning-Netzwerk lernt, die einzigartige Signatur von Alzheimer in PET-Scan-Bildern des menschlichen Gehirns zu erkennen.
Mit zunehmendem Alter ist ein kognitiver Verfall unvermeidlich. Wir neigen dazu, vergesslicher zu werden, verlieren häufiger unseren Gedankengang und finden es schwieriger, Entscheidungen zu treffen oder Aufgaben zu erledigen. Ärzte nennen dies leichte kognitive Beeinträchtigung, und es betrifft die meisten Menschen, wenn sie älter werden.
Viele Menschen mit leichter kognitiver Beeinträchtigung entwickeln später Alzheimer, das viel schwerwiegender ist. Menschen mit dieser Erkrankung verlieren ihren Wortschatz und verwenden häufig falsche Wortersetzungen. Sie hören auf, nahe Verwandte zu erkennen, verlieren grundlegende Selbstfürsorgefähigkeiten und werden schließlich vollständig von Pflegekräften abhängig. Die meisten sterben innerhalb weniger Jahre nach der Diagnose.
Aber seltsamerweise folgen nicht alle Menschen mit leichter kognitiver Beeinträchtigung diesem Weg. Einige verschlechtern sich nie und einige verbessern sich sogar. Daher würden Ärzte sehr gerne in der Lage sein, diejenigen zu erkennen, die wahrscheinlich an Alzheimer erkranken, da sie am ehesten von einer Behandlung profitieren werden.
Eine Möglichkeit, dies zu tun, ist die Untersuchung von Positronen-Emissions-Tomographie (PET)-Scans des Gehirns. Es ist bekannt, dass Alzheimer durch das unerwünschte Wachstum von Proteinklumpen, sogenannten Amyloid-Plaques, und durch einen langsamen Gehirnstoffwechsel gekennzeichnet ist, gemessen an der Rate, mit der das Gehirn Glukose verbraucht.
Bestimmte Arten von PET-Scans können Anzeichen für diese beiden Zustände zeigen und können daher verwendet werden, um Menschen mit leichter kognitiver Beeinträchtigung zu erkennen, die am stärksten gefährdet sind, an Alzheimer zu erkranken.
Das ist die Theorie. In der Praxis ist die Interpretation der Bilder schwierig. Forscher haben ein oder zwei starke Marker gefunden, nach denen geschulte Beobachter suchen können, aber diese Methode ist zeitaufwändig und fehleranfällig.
Betreten Sie Hongyoon und Kyong, die menschliche Beobachter in diesem Prozess durch ein tief lernendes neuronales Netzwerk ersetzt haben.
Ihre Methode ist unkompliziert. In den letzten Jahren haben Alzheimer-Forscher auf der ganzen Welt eine Datenbank mit Gehirnbildern von Menschen mit und ohne Alzheimer aufgebaut. Hongyoon und Kyong verwenden diese Datenbank, um ein konvolutionelles neuronales Netzwerk darauf zu trainieren, den Unterschied zwischen ihnen zu erkennen.
Dieser Datensatz besteht aus Gehirnbildern von 182 Menschen in den 70ern mit normalem Gehirn und Gehirnbildern von 139 Menschen im ungefähr gleichen Alter, bei denen Alzheimer diagnostiziert wurde. Bei herkömmlichem Training lernt die Maschine schnell, den Unterschied mit einer Genauigkeit von fast 90 Prozent zu erkennen.
Hongyoon und Kyong verwenden dann ihre Maschine, um einen anderen Datensatz zu analysieren. Diese besteht aus Gehirnbildern von 181 Menschen in ihren 70ern mit leichter kognitiver Beeinträchtigung, von denen 79 innerhalb von drei Jahren an Alzheimer erkrankten. Die Aufgabe, die Hongyoon und Kyong der Maschine stellten, bestand darin, diese anfälligen Personen zu erkennen.
Die Ergebnisse sorgen für eine interessante Lektüre. Hongyoon und Kyong sagen, dass ihr neuronales Netzwerk diejenigen mit einer Genauigkeit von 81 Prozent identifiziert hat, bei denen das Risiko besteht, an Alzheimer zu erkranken. Das ist deutlich mehr als geübte Beobachter bei der visuellen Analyse der Bilder erreichen. Diese Ergebnisse zeigen die Machbarkeit von Deep Learning als Instrument zur Vorhersage des Krankheitsverlaufs anhand von Gehirnbildern, sagen sie.
Das ist ein interessantes Ergebnis. Es schlägt eine relativ schnelle Möglichkeit vor, Menschen mit einem Risiko für die Entwicklung von Alzheimer und diejenigen zu erkennen, die am meisten von einer frühen Intervention profitieren würden. Ein Ansatz, der die Lebensqualität vieler Menschen verbessern und überlasteten Gesundheitssystemen erhebliche Kosten ersparen könnte.
Ganz allgemein ist die Technik von Hongyoon und Kyong nur ein Beispiel für den zunehmenden Einsatz von Deep Learning in der medizinischen Diagnose. Die Beweise deuten darauf hin, dass Deep-Learning-Maschinen komplexe Bedingungen früher und genauer erkennen können als Menschen. Und die Technik funktioniert bei verschiedenen Erkrankungen, von Herzkrankheiten bis hin zu Krebs.
Offensichtlich wird Deep Learning die Welt der Medizin verändern. Die einzige Frage für diejenigen, die derzeit an einer leichten kognitiven Beeinträchtigung leiden, ist, wie schnell.
Ref: arxiv.org/abs/1704.06033 : Vorhersage des kognitiven Rückgangs mit Deep Learning des Gehirnstoffwechsels und Amyloid-Bildgebung