Помимо сложных и зачастую достаточно инвазивных методов диагностики разных стадий болезни Альцгеймера исследователи активно «щупают» возможности неинвазивных рутинных методик. Но если простая структурная магнитно-резонансная томография не обладает высокой специфичностью, то дополнение ее алгоритмами машинного обучения может дать гораздо более точный результат. Таковой получили исследователи из Великобритании, добившись 98-процентной точности диагностики болезни Альцгеймера благодаря машинной обработке снимков мозга.
На сегодняшний день в диагностике болезни Альцгеймера (БА) нет методов, которые бы позволяли в ходе скрининга выявлять заболевание с высокой точностью до появления первых клинических признаков, не используя при этом высокотехнологичные и дорогостоящие методы. Национальный институт старения США и Ассоциация болезни Альцгеймера в 2020 году предложили классификационную систему ATN, включающую в себя сочетания различных биомаркеров, которые с достаточно высокой вероятностью могут говорить о наличии патологии. . Восемь возможных комбинаций этих биомаркеров говорят о разных вероятностях наличия у пациента БА.
Но основная проблема всех этих анализов на биомаркеры заключается в их сложности и не всегда возможном масштабировании с сохранением высокого качества в каждой партии и каждой лаборатории. Кроме того, цереброспинальную пункцию, которая дает возможность получить ЦСЖ, нельзя назвать рутинным методом, доступным в каждом медицинском учреждении. А анализы на биомаркеры в крови пока что получаются слишком дорогими, когда дело переходит от науки к промышленной разработке и коммерческому распространению.
По этой причине с точки зрения массового скрининга населения самым подходящим методом кажется именно стандартная структурная МРТ. Здесь самым «ярким» признаком БА считается уменьшение объемов гиппокампа. Но есть проблема – этот признак не самый специфичный. То есть он вполне может встречаться и при других болезнях (шизофрения, депрессия или склероз гиппокампа).
Но такой анализ могут проводить алгоритмы машинного обучения, направленные на анализ невидимых глазу человека структурных изменений на МРТ в определенных областях интереса (наиболее подверженных патологическим изменениям). Этот подход заключается в сборе данных (для этого используется Т1-взвешенная последовательность с высоким разрешением MP-RAGE), их сегментации (деление на области), извлечении из сегментированных областей разных признаков (формы, текстуры, интенсивности, матрицы совпадения уровней серого (GLCM) и многих других), а затем статистической обработки этих признаков для выявления их связи с различными клиническими симптомами. Этот подход называется радиомикой, а признаки – радиомаркерами. И он оказался весьма перспективным в обнаружении признаков БА
Радиомаркеры, оказавшиеся «полезными» с точки зрения прогнозирования болезни, авторы статистическими методами объединили в общий, назвав его «прогностическим вектором болезни Альцгеймера» (ApV). Его рассчитали индивидуально для каждого пациента.
В итоге получилось, что алгоритм машинного обучения по МРТ научился определять, есть ли у человека БА, с 98-процентной точностью. Этот показатель значительно превосходит стандартные измерения объема гиппокампа и бета-амилоида в ЦСЖ. Он также с 79-процентной точностью оказался способен различать раннюю и позднюю стадию БА, чего ранее достичь не удавалось, в том числе и с помощью других моделей.
Исследователи отмечают, что их инструмент, который они проверили в том числе на внешнем наборе данных МРТ снимков (там он показал 86-процентную точность, что тоже весьма высоко) оказался «надежным и воспроизводимым при МРТ-сканировании, демонстрируя потенциал для применения в клинической практике в будущем».
Присоединяйтесь к ОК, чтобы подписаться на группу и комментировать публикации.
Нет комментариев