Choroba Alzheimera to najczęstsza na świecie przyczyna demencji. Mechanizm jej powstawania i prowadzące do jego rozpoczęcia procesy wciąż nie są do końca znane. Wiadomo jednak, że rozpoczynają się one na długo przed pojawieniem się pierwszych objawów. Jak najwcześniejsze postawienie właściwej diagnozy jest niezwykle istotne, ponieważ leczenie i wszelkie interwencje są tym skuteczniejsze, im wcześniej zostaną zastosowane.
“Kiedy zdiagnozujemy chorobę Alzheimera, gdy pojawią się wszystkie objawy, utrata objętości mózgu jest już znacząca, że jest za późno, aby interweniować – mówi dr Jae Ho Sohn, współautor badania. – Gdyby udało nam się wcześniej ją wykryć, byłaby to dla badaczy szansa na znalezienie lepszych sposobów na spowolnienie lub nawet zatrzymanie procesu chorobowego.”
Wyniki najnowszych badań ujawniły, iż na długo przed wystąpieniem widocznych objawów zmienia się metabolizm niektórych regionów mózgu, co wiąże się z różnicami w intensywności wychwytu glukozy. Mogą one zostać uwidocznione w czasie badań radiologicznych, choć ich znalezienie nie jest łatwe.
“Różnice we wzorze wychwytu glukozy w mózgu są bardzo subtelne i rozproszone – mówi dr Jae Ho Sohn. – Ludzie są dobrzy w szukaniu konkretnych biomarkerów chorób, ale zmiany metaboliczne to bardziej globalny i subtelny proces.”
Z tego względu naukowcy z Uniwersytetu Kalifornijskiego w San Francisco postanowili współpracować z inżynierami zajmującymi się sztuczną inteligencją. Obdarzone nią programy komputerowe mogą bowiem nauczyć się właściwego interpretowania nawet bardzo delikatnych i właściwie niezauważalnych dla człowieka różnic. Opracowano więc algorytm, który porównuje skany mózgu wykonane przy użyciu metody nazywanej pozytonową tomografią emisyjną 18-F-fluorodeoksyglukozy (FDG-PET) Dzięki wykorzystaniu jako kontrast promieniotwórczej formy glukozy możliwe jest zmierzenie tempa metabolizmu w poszczególnych regionach mózgu.
Aby nauczyć algorytm wyszukiwania subtelnych zmian, wykorzystano dane pochodzące z programu Alzheimer’s Disease Neuroimaging Initiative (ADNI). Zestaw danych zawierał ponad 2000 skanów mózgu wykonanych przy pomocy FDG-PET. Większość (90%) tego zbioru wykorzystano podczas “treningu”, natomiast ocena pozostałych miała być swoistym sprawdzianem dla sztucznej inteligencji. Na koniec przetestowano algorytm na innym, niezależnym zbiorze badań obrazowych 40 pacjentów, który wcześniej nie był analizowany. Dzięki zdolności do uczenia się algorytm osiągnął 100% dokładność w wykrywaniu choroby Alzheimera średnio na 6 lat przed postawieniem diagnozy przez lekarzy.
Choć niezależny zbiór obrazów FDG-PET był niewielki, a algorytm wymaga dalszych testów, jego twórcy są nastawieni optymistycznie. Uważają, że może on stać się cennym narzędziem, które uzupełni pracę radiologów, szczególnie w połączeniu z innymi metodami diagnostycznymi. Przyszłe badania obejmować będą dalszy trening, mający na celu poszukiwania wzorców związanych z akumulacją białek tau i beta-amyloidu, a także innych nieprawidłowych białek charakterystycznych dla choroby Alzheimera.
