Machine Learning în predicția bolii Alzheimer

    Boala Alzheimer (AD) este o afecțiune neurologică progresivă și cronică care provoacă pierderea memoriei, declin cognitiv și modificări comportamentale și este principala cauză a demenței la adulții în vârstă. În prezent, există un mare interes în aplicarea învățării automate pentru a descoperi boli metabolice precum Alzheimer, care afectează o populație mare de oameni din întreaga lume, deoarece ratele de incidență ale acestora cresc într-un ritm alarmant în fiecare an. În stadiile sale incipiente, boala Alzheimer este greu de prezis, iar un tratament administrat într-un stadiu incipient este mai eficient și provoacă mai puține daune decât un tratament efectuat într-o etapă ulterioară. Pentru a face față acestei provocări, au fost folosite mai multe tehnici de Machine Learning pentru a identifica cei mai buni parametri pentru predicția bolii Alzheimer. Predicțiile bolii Alzheimer se bazează pe datele OASIS (Open Access Series of Imaging Studies), iar performanța este măsurată cu parametri precum precizie, rechemare, acuratețe pentru modelele ML.

   Analiza ratei demenței pe baza sexului, Femei = 0, Bărbați = 1.

     Recent, noi studii au propus noi metode de diagnosticare a bolii Alzheimer folosind abordări de învățare automată și de Deep Learning. Un studiu a propus o abordare multi-diagnosticabilă și generalizabilă pentru deficiența cognitivă ușoară (MCI) și diagnosticul bolii Alzheimer folosind RMN structural și învățarea automată. Abordarea a fost testată pe două seturi de date: baza de date a Inițiativei pentru boala Alzheimer (ADNI) și baza de date a proiectelor Open Access Series of Imaging Studies (OASIS), iar clasificatorii au arătat o performanță bună cu o acuratețe echilibrată.

    BAC sau Acuratețe Echilibrată este o măsură a performanței unui model de clasificare, care ia în considerare atât numărul de adevărate pozitive, cât și numărul de adevărate negative. Acuratețea echilibrată este utilizată în special atunci când proporția claselor din setul de date este inegală. Acuratețea echilibrată poate fi calculată ca media aritmetică între rata de detecție adevărată (TDR) și rata de respingere adevărată (TNR). În cazul acestui studiu, clasificatorul "Controale sănătoase (HC) vs. boala Alzheimer" a obținut o acuratețe echilibrată de 90,6%, ceea ce sugerează că modelul poate clasifica cu precizie o mare parte a cazurilor, indiferent de clasa de apartenență.

    MCC sau Coeficientul de Corelație Matthew este o altă măsură a performanței modelului de clasificare, care ia în considerare toate cele patru valori din matricea de confuzie (true positives, false positives, true negatives și false negatives). MCC poate fi folosit pentru a evalua capacitatea modelului de a face predicții corecte și echilibrate între toate clasele. MCC poate varia de la -1 la +1, unde +1 indică o corelație perfectă între predicțiile modelului și etichetele reale, 0 indică o performanță aleatoare, iar -1 indică o corelație inversă perfectă între predicțiile modelului și etichetele reale. În acest studiu, clasificatorul "Controale sănătoase (HC) vs. boala Alzheimer" a obținut un coeficient de corelație Matthew de 0,811, ceea ce sugerează o corelație puternică și pozitivă între predicțiile modelului și etichetele reale.

    În ceea ce privește clasificatorul "HC vs. MCI vs. boala Alzheimer", acesta a obținut o acuratețe echilibrată de 62,1%, ceea ce indică faptul că modelul poate clasifica cu precizie doar o parte din cazuri. În plus, acest clasificator a obținut un coeficient de corelație Matthew de 0,438, care sugerează o corelație moderată între predicțiile modelului și etichetele reale.

    Clasificatorii s-au generalizat bine atât în seturile de date, cât și în protocoale, iar caracteristicile hipocampului au fost cei mai puternici contribuitori la deciziile de clasificare.

    Linia 1: Un subiect sănătos

Linia 2: Un subiect cu MCI (deficiența cognitivă ușoară) care s-a transformat în Alzheimer după 3 ani

Linia 3: Un bolnav de Alzheimer

    Alt studiu a propus un algoritm de învățare profundă care folosește fotografii retiniene pentru a detecta boala Alzheimer. Algoritmul a fost antrenat, validat și testat într-un studiu mare retrospectiv, multicentric caz-control, folosind date din 11 studii care au recrutat pacienți cu boala Alzheimer-demență și persoane fără boală din diferite țări.

    Modelul bilateral de învățare profundă este o metodă de învățare automată care folosește două rețele neuronale pentru a efectua o sarcină specifică. În cazul acestui studiu, algoritmul de învățare profundă a fost folosit pentru a detecta boala Alzheimer prin analiza imaginilor retiniene.                        Fotografiile retiniene sunt imagini ale retinei ochiului, care pot fi analizate pentru a detecta semne ale bolii Alzheimer. Studiul menționat a folosit această tehnică pentru a dezvolta un algoritm de învățare profundă care poate detecta boala Alzheimer cu o acuratețe semnificativă.

Figura (A): Reprezentarea retinei.

Figura (B): Retina unui subiect sănătos.

Figura (C): Retina unui bolnav de Alzheimer.

În figura (C) se observă că subiectul are o rețea vasculară retiniană mai rară și vase retiniene mai sinuoase, comparativ cu subiectul normal din punct de vedere cognitiv. 

    Algoritmul antrenat folosind date din cele 11 studii a avut o acuratețe cuprinsă între 79,6% și 92,1%, ceea ce înseamnă că a reușit să identifice corect între 79,6% și 92,1% dintre participanții cu boala Alzheimer. De asemenea, algoritmul a obținut un scor AUROC între 0,73 și 0,91. AUROC reprezintă o prescurtare pentru "Aria de sub curba caracteristică de funcționare a receptorului", o măsură a performanței unui model de clasificare binară. Acesta indică capacitatea unui model de a face distincția între două clase, precum pacienții cu boala Alzheimer și cei fără această boală, prin evaluarea raportului dintre rata de detectare a bolnavilor și rata de detectare a sănătoșilor.

    Modelul a reușit să diferențieze între participanții care au avut amiloid β pozitivi și cei care au avut amiloid β negativi. Pacienții cu amiloid β pozitivi și cu amiloid β negativi reprezintă două categorii de participanți în studiu. Amiloidul β este o proteină asociată cu boala Alzheimer, iar participanții care au avut amiloid β pozitivi au prezentat niveluri ridicate din această proteină în creier, indicând un risc mai mare de a dezvolta boala Alzheimer. În schimb, participanții amiloid β negativi nu au prezentat niveluri ridicate ale acestei proteine în creier.

    Faptul că modelul a reușit să diferențieze între aceste două categorii de participanți sugerează că algoritmul poate fi folosit pentru detectarea acestui biomarker specific pentru boala Alzheimer. În plus, performanța discriminativă a modelului a fost îmbunătățită și la pacienții cu boli oculare și diabet, fapt care sugerează că algoritmul poate fi util în detectarea precoce a bolii Alzheimer la aceste categorii de pacienți.

 

    Schemele de clasificare propuse în aceste studii pot fi utilizate de clinicieni pentru a diagnostica boala Alzheimer și au potențialul de a reduce ratele anuale de mortalitate ale bolii Alzheimer în diagnosticul precoce cu acești algoritmi ML. În timp ce primul studiu utilizează RMN structural și învățarea automată, al doilea studiu propune utilizarea fotografiilor retiniene și a învățării profunde. Ambele abordări au puncte forte și puncte slabe diferite și sunt necesare cercetări suplimentare pentru a compara performanța și fezabilitatea lor în setările din lumea reală. Cu toate acestea, scopul final este de a dezvolta un instrument de diagnostic fiabil și precis care poate detecta boala Alzheimer devreme și poate informa deciziile clinice pentru managementul bolii și alegerile terapeutice.

 

Surse:

https://www.frontiersin.org/articles/10.3389/fpubh.2022.853294/full

https://www.frontiersin.org/articles/10.3389/fnagi.2019.00220/full

https://www.nature.com/articles/s41598-018-29295-9

https://alzres.biomedcentral.com/articles/10.1186/s13195-022-01047-y

https://www.thelancet.com/journals/landig/article/PIIS2589-7500(22)00169-8/fulltext

https://jnnp.bmj.com/content/92/9/983