นักวิจัยจาก Massachusetts General Hospital (MGH) ได้พัฒนาระบบปัญญาประดิษฐ์ (AI) เพื่อตรวจหาโรคอัลไซเมอร์จากการทดสอบภาพสมองทางคลินิกที่ทำเป็นประจำด้วยความแม่นยำ 90.2% โมเดลการเรียนรู้เชิงลึกที่ใช้ในการศึกษาได้รับการฝึกอบรมเกี่ยวกับข้อมูลจากภาพสมองด้วยคลื่นสนามแม่เหล็ก (MRI) ที่รวบรวมจากผู้ป่วยที่มีและไม่มีโรคอัลไซเมอร์ซึ่งพบเห็นที่ MGH ก่อนปี 2019 จากนั้นทีมได้ทดสอบโมเดลในชุดข้อมูล 5 ชุด รวมถึงข้อมูลจากภายนอก เพื่อดูว่าสามารถตรวจจับโรคอัลไซเมอร์ได้อย่างแม่นยำจากข้อมูลทางคลินิกในโลกแห่งความเป็นจริงหรือไม่ ระบบนี้ได้รับการออกแบบมาให้ “ไม่มอง” ต่อคุณลักษณะต่างๆ ของสมองที่พบว่าสัมพันธ์กับอายุที่ระบุไว้ของผู้ป่วยมากเกินไป
Researchers at Massachusetts General Hospital (MGH) have developed an artificial intelligence (AI) system to detect Alzheimer’s disease from routine clinical brain imaging tests with 90.2% accuracy. The deep learning model used in the study was trained on data from brain magnetic resonance images (MRIs) collected from patients with and without Alzheimer’s disease who were seen at MGH before 2019. The team then tested the model across five datasets, including data from outside hospitals, to see if it could accurately detect Alzheimer’s disease based on real-world clinical data. The system is designed to be “blind” to features of the brain that it finds to be overly associated with the patient’s listed age.
วิธีการของปัญญาประดิษฐ์อาจช่วยตรวจหาโรคอัลไซเมอร์จากการทดสอบภาพสมองตามปกติ
แม้ว่าผู้ตรวจสอบจะมีความก้าวหน้าในการตรวจหาสัญญาณของโรคอัลไซเมอร์โดยใช้การทดสอบภาพสมองคุณภาพสูงที่รวบรวมไว้เป็นส่วนหนึ่งของการศึกษาวิจัย ทีมงานที่โรงพยาบาล Massachusetts General Hospital (MGH) เพิ่งพัฒนาวิธีการตรวจหาที่แม่นยำโดยอาศัยภาพสมองทางคลินิกที่รวบรวมเป็นประจำ ความก้าวหน้าอาจนำไปสู่การวินิจฉัยที่แม่นยำยิ่งขึ้น สำหรับงานวิจัยที่ตีพิมพ์ใน PLOS ONE นั้น Matthew Leming, PhD, นักวิจัยที่ศูนย์ชีววิทยาระบบของ MGH และผู้ตรวจสอบที่ Massachusetts Alzheimer’s Disease Research Center และเพื่อนร่วมงานของเขาใช้การเรียนรู้เชิงลึก ซึ่งเป็นประเภทของการเรียนรู้ด้วยเครื่องและสิ่งประดิษฐ์ อัจฉริยะที่ใช้ข้อมูลจำนวนมากและอัลกอริธึมที่ซับซ้อนในการฝึกโมเดล
ในกรณีนี้ นักวิทยาศาสตร์ได้พัฒนาแบบจำลองสำหรับการตรวจหาโรคอัลไซเมอร์จากข้อมูลจากภาพสมองด้วยคลื่นแม่เหล็กไฟฟ้า (MRI) ที่รวบรวมจากผู้ป่วยที่มีและไม่มีโรคอัลไซเมอร์ที่ตรวจพบที่ MGH ก่อนปี 2019
จากนั้น กลุ่มได้ทดสอบแบบจำลองจากชุดข้อมูล 5 ชุด ได้แก่ MGH หลังปี 2019, Brigham and Women’s Hospital ก่อนและหลังปี 2019 และระบบภายนอกก่อนและหลังปี 2019 เพื่อดูว่าสามารถตรวจจับโรคอัลไซเมอร์ได้อย่างแม่นยำจากข้อมูลจริงหรือไม่ ข้อมูลทางคลินิกทั่วโลกโดยไม่คำนึงถึงโรงพยาบาลและเวลา
โดยรวมแล้ว งานวิจัยเกี่ยวข้องกับ 11,103 ภาพจากผู้ป่วย 2,348 รายที่มีความเสี่ยงต่อโรคอัลไซเมอร์ และ 26,892 ภาพจากผู้ป่วย 8,456 รายที่ไม่มีโรคอัลไซเมอร์ ในชุดข้อมูลทั้ง 5 ชุด แบบจำลองตรวจพบความเสี่ยงของโรคอัลไซเมอร์ด้วยความแม่นยำ 90.2%
หนึ่งในนวัตกรรมหลักของงานคือความสามารถในการตรวจหาโรคอัลไซเมอร์โดยไม่คำนึงถึงตัวแปรอื่นๆ เช่น อายุ “โรคอัลไซเมอร์มักเกิดในผู้สูงอายุ และโมเดลการเรียนรู้เชิงลึกจึงมักมีปัญหาในการตรวจจับผู้ป่วยที่เริ่มมีอาการตั้งแต่เนิ่นๆ ซึ่งหายากกว่า” Leming กล่าว
“เราแก้ไขปัญหานี้โดยทำให้โมเดลการเรียนรู้เชิงลึก ‘ตาบอด’ ต่อคุณลักษณะของสมองที่พบว่าเกี่ยวข้องกับอายุที่ระบุไว้ของผู้ป่วยมากเกินไป”
Leming ตั้งข้อสังเกตว่าความท้าทายทั่วไปอีกอย่างหนึ่งในการตรวจหาโรค โดยเฉพาะอย่างยิ่งในสภาพแวดล้อมจริง คือการจัดการกับข้อมูลที่แตกต่างจากชุดการฝึกอบรมอย่างมาก ตัวอย่างเช่น โมเดลการเรียนรู้เชิงลึกที่ฝึกฝนเกี่ยวกับ MRI จากเครื่องสแกนที่ผลิตโดย General Electric อาจไม่สามารถจดจำ MRI ที่รวบรวมในเครื่องสแกนที่ผลิตโดย Siemens
แบบจำลองนี้ใช้เมตริกความไม่แน่นอนเพื่อพิจารณาว่าข้อมูลของผู้ป่วยแตกต่างจากที่ได้รับการฝึกอบรมมากเกินไปหรือไม่เพื่อให้สามารถคาดการณ์ได้สำเร็จ
“นี่เป็นหนึ่งในการศึกษาเดียวที่ใช้ MRI สมองที่รวบรวมเป็นประจำเพื่อพยายามตรวจหาภาวะสมองเสื่อม ในขณะที่มีการศึกษาการเรียนรู้เชิงลึกจำนวนมากสำหรับการตรวจหาโรคอัลไซเมอร์จาก MRI ของสมอง การศึกษานี้ทำให้เกิดขั้นตอนสำคัญในการดำเนินการจริงในสภาพแวดล้อมทางคลินิกในโลกแห่งความเป็นจริง ซึ่งตรงข้ามกับการตั้งค่าในห้องปฏิบัติการที่สมบูรณ์แบบ” Leming กล่าว
“Our results—with cross-site, cross-time, and cross-population generalizability—make a strong case for clinical use of this diagnostic technology.” ผู้เขียนร่วมเพิ่มเติม ได้แก่ Sudeshna Das, PhD และ, Hyungsoon Im, PhD โดยเงินทุนสนับสนุน: งานวิจัยนี้ได้รับการสนับสนุนโดยสถาบันสุขภาพแห่งชาติและโครงการนวัตกรรมเทคโนโลยีที่ได้รับทุนสนับสนุนจากกระทรวงการค้า อุตสาหกรรม และพลังงาน สาธารณรัฐเกาหลี จัดการผ่านซับคอนแทรกของ MGH