AI инструмент определя с точност тежестта и вида на деменцията

Изследователи от Катедрата по електроинженерство и компютърни науки на Университета „Флорида Атлантик“ разработиха AI инструмент, използващ електроенцефалография (ЕЕГ), който определя с точност тежестта и вида на деменцията. Констатациите, публикувани в списанието Biomedical Signal Processing and Control, показват, че алгоритъмът разграничава болестта на Алцхаймер от фронтотемпоралната деменция – състояния, които имат много сходна симптоматика.

Трудности при диагностицирането на двете заболявания

Въпреки че и двете заболявания увреждат мозъка, те го правят по различни начини. Болестта на Алцхаймер засяга предимно паметта и пространственото възприятие, докато фронтотемпоралната деменция е насочена към региони, отговорни за поведението, личността и езика. Тъй като симптомите им могат да се припокриват, това често води до погрешна диагноза. Разграничаването на двете заболявания не е просто научно предизвикателство, а клинична необходимост, тъй като точната диагноза може да повлияе на лечението, грижите и качеството на живот на пациентите.

Ядрено-магнитният резонанс (ЯМР) и позитронно-емисионната томография (ПЕТ) са ефективни за диагностициране на болестта на Алцхаймер, но са скъпи, отнемат време и изискват специализирано оборудване. Електроенцефалографията предлага преносима, неинвазивна и достъпна алтернатива чрез записване на мозъчната активност с помощта на електроди, поставени върху скалпа. Сигналите обаче често са шумни и варират между отделните индивиди, което затруднява анализа. Дори с платформи за машинно обучение, резултатите са противоречиви и разграничаването на болестта на Алцхаймер от фронтотемпоралната деменция остава трудно.

Изкуственият интелект в действие

За да се справят с този проблем, екипът създава модел на дълбоко обучение (метод за машинно обучение, основан на използването на изкуствени невронни мрежи, които се състоят от множество слоеве). Алгоритъмът повишава точността и интерпретируемостта на ЕЕГ, като анализира както честотни, така и времеви модели на мозъчна активност, свързани с двете заболявания.

Моделът обединява конволюционни невронни мрежи и мрежа с дълга краткосрочна памет, за да открие както вида, така и тежестта на деменцията от ЕЕГ данни.

Резултатите от проучването разкриват, че делта вълните са важен биомаркер както за болестта на Алцхаймер, така и за фронтотемпоралната деменция, главно във фронталните и централните области на мозъка. При Алцхаймер мозъчната активност е нарушена в по-широк мащаб, засягайки и други области на мозъка, което показва по-обширно мозъчно увреждане. Тези разлики помагат да се обясни защо болестта на Алцхаймер обикновено е по-лесна за откриване от фронтотемпоралната деменция.

Моделът постига над 90% точност при разграничаването на пациенти с деменция от здрави индивиди. Той също така предсказва тежестта на заболяването с относителни грешки под 35% за болестта на Алцхаймер и 15,5% за фронтотемпоралната деменция.

Тъй като двете заболявания споделят сходни симптоми и мозъчна активност, разграничаването им се оказва изключително трудно. Използвайки селекция на характеристики, изследователите повишават специфичността на модела от 26% до 65%. Техният двуетапен подход – първо откриване на здрави индивиди, а след това разграничаване на болестта на Алцхаймер от фронтотемпоралната деменция – постига 84% точност, което го нарежда сред най-добрите методи, базирани на ЕЕГ.

„Иновативното на нашето изследване е начинът, по който използвахме машинно обучение, за да извлечем както пространствена, така и времева информация от ЕЕГ сигнали.“, коментира Туан Во, първи автор на проучването и докторант в Катедрата по електроинженерство и компютърни науки към Университета „Флорида Атлантик“. „По този начин можем да открием фини модели на мозъчни вълни, свързани с болестта на Алцхаймер и фронтотемпоралната деменция, които иначе биха останали незабелязани. Нашият модел не само идентифицира заболяването, той също така оценява тежестта му, предлагайки по-пълна картина на състоянието на всеки пациент.“

Като цяло проучване показва, че дълбокото обучение може да рационализира диагностицирането на деменция, като комбинира откриването и оценката на тежестта в една система.

„Тази работа демонстрира как обединяването на инженерство, изкуствен интелект и невронаука може да трансформира начина, по който се справяме с големите здравни предизвикателства.“, коментира Стела Баталама, декан на Катедрата по електроинженерство и компютърни науки. „С милиони засегнати от болестта на Алцхаймер и фронтотемпорална деменция, подобни открития отварят вратата към ранно откриване, персонализирани грижи и интервенции, които наистина могат да подобрят живота.“

Какво предстои

Изследователите планират да разширят своя набор от ЕЕГ данни, да проучат обобщаемостта на модела в различните системи за запис и да изследват допълнително причините за поставяне на погрешна диагноза. Тяхната цел е да подкрепят разработването на клиничен инструмент, базиран на ЕЕГ, който би могъл да допълни съществуващите технологии за образна диагностика и да предложи рентабилен метод за ранно откриване и наблюдение.