مجله اکتیو:آموزش مهارت های فردی و اجتماعی

هوش مصنوعی سال پیش از تشخیص آلزایمر پیش بینی می کند –

هم اکنون مقالات سلامت روان را در سایت دنیای خوب زندگی میخوانید.این مقالات برگرفته از منابع خارجی و روز می باشد و توسط این سایت ترجمه و برای شما سروران گرامی نمایش داده می شود.میتوانید نظرات و پیشنهادات و انتقادات خود را از طریق فرم ارسال نظرات در انتهای این مقاله برای دوستان خود به اشتراک بگذارید شاد و پیروز باشید.

بر اساس یک مطالعه منتشر شده در مجله، تکنولوژی هوش مصنوعی (AI) توانایی تصویر برداری مغز را برای پیش بینی بیماری آلزایمر بهبود می بخشد. رادیولوژی.

تشخیص به موقع بیماری آلزایمر بسیار مهم است، زیرا درمان و مداخلات در اوایل دوره بیماری موثرتر است. با این حال، تشخیص زودرس ثابت شده است که چالش برانگیز است. تحقیقات فرایند بیماری را به تغییرات متابولیسم مرتبط کرده است، همانطور که در برخی مناطق مغز نشان داده شده است، اما این تغییرات دشوار است.

جوئه هو سون، MD، از پژوهشگاه رادیولوژی و تصویربرداری بیومدیکال در دانشگاه کالیفرنیا در سان فرانسیسکو (UCSF)، گفت: “تفاوت در الگوی جذب گلوکز در مغز بسیار ظریف و پراکنده است.” “مردم در جستجوی معیارهای خاصی از بیماری هستند، اما تغییرات متابولیکی فرایند جهانی و ظریفتری را نشان می دهند.”

نویسنده ارشد این مطالعه، بنجامین فران، MD از UCSF، به دکتر Sohn و دانشگاه کالیفرنیا برکلی، دانشجوی کارشناسی ارشد ییمینگ دینگ، از طریق گروه تحقیقاتی بزرگ داده های رادیولوژی (BDRAD)، یک تیم چندرسانهای پزشکان و مهندسان متمرکز بر رادیولوژی علم اطلاعات دکتر فرانک علاقمند به استفاده از یادگیری عمیق بود، نوعی از هوش مصنوعی که در آن دستگاهها به صورت مثال به اندازه انسانها یاد میگرفتند، برای پیدا کردن تغییرات در متابولیسم مغز پیشبینی کننده بیماری آلزایمر بود.

محققان الگوریتم یادگیری عمیق را بر روی یک تکنولوژی تصویربرداری خاص که به نام توموگرافی منتشر شده با پاتوتری 18-F-fluorodeoxyglucose شناخته می شود (FDG-PET) آموزش دادند. در یک اسکن FDG-PET FDG، یک ترکیب گلوکز رادیواکتیو به داخل خون تزریق می شود. اسکن PET می تواند پس از جذب FDG در سلول های مغز، شاخصی از فعالیت متابولیکی را اندازه گیری کند.

محققان اطلاعاتی از طرح ابتکاری تصویربرداری از بیماری آلزایمر (ADNI)، یک تحقیق در زمینه چندین سایت را که بر روی آزمایشهای بالینی برای پیشگیری و درمان این بیماری تمرکز کرده بودند، دسترسی داشتند. مجموعه داده های ADNI شامل بیش از 2100 عکس مغز FDG-PET از 1،002 بیمار بود. محققان الگوریتم یادگیری عمیق را در 90 درصد از مجموعه داده ها آموزش دادند و سپس آنرا در 10 درصد باقی مانده از مجموعه داده ها آزمایش کردند. از طریق یادگیری عمیق، الگوریتم توانست الگوهای متابولیکی خود را که با بیماری آلزایمر مرتبط بود آموزش دهد.

در نهایت، محققان این الگوریتم را بر روی یک مجموعه مستقل از 40 آزمایش تصویربرداری از 40 بیمار که هرگز مورد مطالعه قرار نگرفته بودند، آزمایش کردند. این الگوریتم 100 درصد حساسیت را در تشخیص بیماری به طور میانگین بیش از شش سال قبل از تشخیص نهایی به دست آورد.

دکتر سون گفت: “ما از عملکرد الگوریتم بسیار خوشحال شدیم. “این توانست همه مواردی را که پیش از بیماری آلزایمر پیشرفت کرده بودند پیش بینی کند.”

اگر چه او هشدار داد که مجموعه آزمایشی مستقل آن کوچک است و نیاز به اعتبار بیشتری در مورد مطالعات آینده پژوهی چندین نهاد دارد، دکتر سون گفت که این الگوریتم می تواند یک ابزار مفید برای تکمیل کار رادیولوژیست ها باشد – به ویژه در رابطه با سایر روش های بیوشیمیایی و تست های تصویربرداری – در ارائه فرصت برای مداخله درمانی اولیه.

او گفت: “اگر ما تشخیص بیماری آلزایمر را زمانی که تمام علائم ظاهر شد، از دست دادن حجم مغز بسیار مهم است که دشوار است برای مداخله.” “اگر ما می توانیم آن را پیش از این تشخیص دهیم، این فرصتی برای محققان است که به طور بالقوه راه های بهتر را برای کاهش یا حتی توقف روند بیماری پیدا کنند.”

به گفته یانگ سئو، Ph.D UCSF، آموزش های الگوریتم یادگیری عمیق برای بررسی الگوهای مرتبط با انباشت پروتئین های بتا آمیلوئید و تو، پلاکت های غیر طبیعی پروتئین و پلاکت ها در مغز که نشانگر خاص بیماری آلزایمر هستند را بررسی می کند. .، که به عنوان یکی از مشاوران اساتید این مطالعه خدمت کرده است.

او گفت: “اگر FDG-PET با AI بتواند در اوایل زودرس بیماری آلزایمر را پیش بینی کند، تصویربرداری پت بتا آمیلوئید و پروتئین PET، احتمالا می تواند بعد دیگری از قدرت پیش بینی کننده مهم را اضافه کند.”

.
گردآوری و ترجمه:بخش سلامت روان دنیای خوب زندگی
منبع:sciencedaily.com

مرور بیشتر...

0

دیدگاهی بنویسید

ایمیل شما منتشر نخواهد شدفیلد های ضروری نشانه گذاری شده است. *

*

14 − چهارده =