Сотрудничество под руководством Корнельского университета использовало машинное обучение для определения наиболее точных средств и сроков прогнозирования прогрессирования болезни Альцгеймера у людей с нормальными когнитивными способностями или с легкими когнитивными нарушениями.

Моделирование показало, что прогнозирование будущего снижения деменции у лиц с легкими когнитивными нарушениями проще и точнее, чем у когнитивно нормальных (или бессимптомных) лиц. В то же время исследователи обнаружили, что прогнозы для когнитивно нормальных субъектов менее точны для более длительных временных горизонтов, 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 группы «Мультимодальное прогнозирование будущего снижения заболеваемости болезнью Альцгеймера на основе машинного обучения: эмпирическое исследование» была опубликована 16 ноября в PLOS ONE . Ведущий автор — Батухан Караман, докторант в области электротехники и вычислительной техники.

Болезнь Альцгеймера может прогрессировать годами, а иногда и десятилетиями, прежде чем у человека появятся симптомы. После постановки диагноза у некоторых людей заболевание быстро ухудшается, но другие могут жить с легкими симптомами в течение многих лет, что затрудняет прогнозирование скорости развития болезни.

«Когда мы можем с уверенностью сказать, что у кого-то деменция, уже слишком поздно. Мозгу уже нанесен большой ущерб, и это необратимый ущерб», — сказал старший автор Мерт Сабунку, доцент кафедры электротехники и вычислительной техники Инженерного колледжа. и электротехники в радиологии в Weill Cornell Medicine.

«Нам действительно нужно иметь возможность выявлять болезнь Альцгеймера на ранней стадии, — сказал Сабунку, — и быть в состоянии сказать, у кого будет прогрессировать быстрее, а у кого медленнее, чтобы мы могли стратифицировать различные группы риска и иметь возможность развертывать любые варианты лечения, которые у нас есть».

Клиницисты часто сосредотачиваются на одном «временном горизонте» — обычно три или пять лет — чтобы предсказать прогрессирование болезни Альцгеймера у пациента. По словам Сабунку, временные рамки могут показаться произвольными, чья лаборатория специализируется на анализе биомедицинских данных, особенно данных визуализации, с упором на нейробиологию и неврологию.

Сабунку и Караман объединились с давним сотрудником и соавтором Элизабет Мормино из Стэнфордского университета, чтобы использовать машинное обучение нейронной сети, которое могло бы анализировать данные за пять лет о людях, которые были либо когнитивно нормальными, либо имели легкие когнитивные нарушения. Данные, собранные в ходе исследования Инициативы нейровизуализации болезни Альцгеймера, охватывают все, от генетической истории человека до ПЭТ и МРТ.

«Что нас действительно интересовало, так это то, можем ли мы посмотреть на эти данные и сказать, будет ли человек прогрессировать в ближайшие годы?» — сказал Сабунку. «И, что важно, сможем ли мы лучше прогнозировать, если объединим все последующие данные, которые у нас есть по отдельным предметам?»

Исследователи обнаружили несколько примечательных закономерностей. Например, предсказать, что человек перейдет от бессимптомного к проявлению легких симптомов, гораздо проще за временной горизонт в один год по сравнению с пятью годами. Тем не менее, предсказание того, перейдет ли кто-то из легких когнитивных нарушений в деменцию Альцгеймера, является наиболее точным на более длительном временном графике, при этом «золотая середина» составляет около четырех лет.

«Это может рассказать нам кое-что о механизме основного заболевания и о том, как во времени оно развивается, но это то, что мы еще не исследовали», — сказал Сабунку.

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 трех лет, но менее полезна для прогнозирования для людей с легкими когнитивными нарушениями. . Как только у пациента развились легкие когнитивные нарушения , ПЭТ-сканирование, которое измеряет определенные молекулярные маркеры, такие как белки амилоид и тау, оказывается более эффективным.

Одним из преимуществ подхода машинного обучения является то, что нейронные сети достаточно гибкие, чтобы они могли функционировать, несмотря на отсутствие данных, таких как пациенты, которые могли пропустить МРТ или ПЭТ.

В будущей работе Сабунку планирует еще больше изменить моделирование, чтобы оно могло обрабатывать полные изображения или геномные данные, а не только сводные измерения, чтобы собирать больше информации, которая повысит точность прогнозов.