استخدم ماثيو ليمينغ ، دكتوراه ، وزميل باحث في بيولوجيا الأنظمة ومحقق في مركز أبحاث مرض الزهايمر في ماساتشوستس ، وزملاؤه التعلم العميق نوعًا من التعلم الآلي والذكاء الاصطناعي الذي يستخدم كميات كبيرة من البيانات والخوارزميات المعقدة لتدريب النماذج.

اختبرت المجموعة النموذج عبر خمس مجموعات بيانات.

لمعرفة ما إذا كان بإمكانه اكتشاف مرض الزهايمر بدقة بناءً على البيانات السريرية الواقعية ، بغض النظر عن المستشفى والوقت.

بشكل عام ، شمل البحث 11103 صورة من 2348 مريضًا معرضين لخطر الإصابة بمرض الزهايمر و 26892 صورة من 8456 مريضًا غير مصاب بمرض الزهايمر. في جميع مجموعات البيانات الخمس ، اكتشف النموذج خطر الإصابة بمرض الزهايمر بدقة 90.2٪.

كان من بين الابتكارات الرئيسية للعمل قدرته على اكتشاف مرض الزهايمر بغض النظر عن المتغيرات الأخرى ، مثل العمر. يقول ليمنج: “يحدث مرض الزهايمر عادةً عند كبار السن ، ولذلك غالبًا ما تواجه نماذج التعلم العميق صعوبة في اكتشاف الحالات النادرة التي تظهر مبكرًا”. “لقد عالجنا هذا من خلال جعل نموذج التعلم العميق” أعمى “لميزات الدماغ التي يجد أنها مرتبطة بشكل مفرط بعمر المريض المذكور.

يلاحظ ليمينغ أن هناك تحديًا شائعًا آخر في اكتشاف الأمراض ، خاصة في أماكن العالم الحقيقي ، وهو التعامل مع بيانات مختلفة تمامًا عن مجموعة التدريب. على سبيل المثال ، قد يفشل نموذج التعلم العميق الذي تم تدريبه على التصوير بالرنين المغناطيسي من ماسح ضوئي تصنعه شركة جنرال إلكتريك في التعرف على صور التصوير بالرنين المغناطيسي التي تم جمعها على ماسح ضوئي تصنعه شركة سيمنز.

استخدم النموذج مقياس عدم اليقين لتحديد ما إذا كانت بيانات المريض مختلفة جدًا عما تم تدريبه عليه حتى يتمكن من إجراء تنبؤ ناجح.

“هذه واحدة من الدراسات الوحيدة التي استخدمت التصوير بالرنين المغناطيسي للدماغ بشكل روتيني لمحاولة اكتشاف الخرف. في حين تم إجراء عدد كبير من دراسات التعلم العميق لاكتشاف مرض الزهايمر من خلال التصوير بالرنين المغناطيسي للدماغ ، فقد اتخذت هذه الدراسة خطوات جوهرية نحو إجراء هذا فعليًا في الواقع الإعدادات السريرية العالمية بدلاً من إعدادات المختبر المثالية.

تم دعم هذا العمل من قبل المعاهد الوطنية للصحة وبرنامج الابتكار التكنولوجي الممول من وزارة التجارة والصناعة والطاقة ، جمهورية كوريا.