Die Alzheimer-Krankheit (AD) ist die häufigste Ursache für Demenz und betrifft Millionen älterer Menschen weltweit. Allein in Spanien sind schätzungsweise mehr als 900.000 Menschen von dieser Krankheit betroffen, die für das Gesundheitsministerium zu einer Priorität der öffentlichen Gesundheit geworden ist. Früherkennung ist der Schlüssel zur Verbesserung der Lebensqualität der Betroffenen und ihrer Familien, aber es ist nicht immer einfach, sie in einem frühen Stadium zu erkennen.
Um sich in diesem Bereich zu verbessern und bessere Ergebnisse zu erzielen, haben Forschende der Polytechnischen Universität Madrid Techniken des maschinellen Lernens auf die Analyse verschiedener medizinischer Bildgebungsmodalitäten angewendet, die zur Diagnose neurologischer Erkrankungen verwendet werden.
"Aus klinischer Sicht sind die Magnetresonanztomographie (MRT) und die Positronen-Emissions-Tomographie (PET) die beiden medizinischen Bildgebungsmodalitäten, die bei der Diagnose dieser Art von Krankheit verwendet werden, da sie komplementäre Informationen über die anatomischen und metabolischen Aspekte der Krankheit liefern. Aber leider werden diese Tests nicht synchron durchgeführt, was es für Mediziner schwierig macht, sie zu integrieren und ihre Ergebnisse richtig zu interpretieren", erklärt Consuelo Gonzalo, Forscherin am Center for Biomedical Technology der UPM und eine der Autorinnen dieser Arbeit.
Die UPM-Forschenden entwickelten daher eine Methodik, die Convolutional Neural Networks (CNN) verwendet, welche die Aufgaben der Bildanalyse und des maschinellen Sehens verbessert und es ermöglicht, wichtige Informationen aus digitalen Bildern, Videos und anderen visuellen Eingaben zu gewinnen. Auch ist sie in der Lage, auf der Grundlage dieser Eingaben Maßnahmen eigenständig zu ergreifen.
Zu diesem Zweck führten die UPM-Forschenden eine systematische Analyse von MRT- und PET-Bildern zur Beurteilung des Demenzstatus durch, wobei verschiedene Fusionstechniken (frühe, späte und intermediäre Fusion) verwendet wurden. Als nächstes entwarfen und implementierten sie eine Lösung, die vollständig auf 3D-Convolutional Neural Networks (CNNs) basierte, die Merkmale aus dem gesamten Gehirnvolumen in drei Dimensionen extrahierten. Sobald dies erledigt war, schlugen sie eine Trainingsstrategie vor, die in der Lage war, einen sehr unausgewogenen und unvollständigen Datensatz zu verarbeiten.
"Soweit wir wissen, stellt die vorgeschlagene Methodik die erste Arbeit dar, die eine Analyse verschiedener Fusionstechniken auf der Grundlage von multimodalem Deep Learning zur Beurteilung des Schweregrads von Demenz liefert", erklärt der UPM-Forscher. "Die Art von Lösungen, die in dieser Arbeit entwickelt werden, kann für Neurologen eine Entscheidungshilfe von enormem praktischem Interesse sein", fügt er hinzu.
An der Arbeit, die in der Fachzeitschrift "Artificial Intelligence in Medicine" veröffentlicht wurde, sind auch die italienischen Universitäten Neapel und Rom sowie die Universität Umeå in Schweden beteiligt.
Original Paper:
Lesen Sie dazu auch:
- DGKL: Alzheimer: mRNA-Mutation verlangsamt Energieversorgung des Gehirns
- DGKL: Neuer Biomarker zur Diagnose der Alzheimer-Krankheit identifiziert
- DGKL: Alzheimer-Krankheit schreitet bei Menschen mit Down-Syndrom schneller voran
Die Beiträge im News-Bereich werden erstellt vom
X-Press Journalistenbüro GbR
Schwimmbadstr. 29
37520 Osterode am Harz
Web: www.xpress-journalisten.com
E-Mail: redaktion(at)med-lab-portal.de
