KI-basierte Differenzialdiagnose von Demenzursachen anhand multimodaler Daten

Der Forscher Antonio Javier Sutil Jiménez stellt in diesem Artikel die wichtigsten Daten der Studie „KI-basierte Differenzialdiagnose von Demenzursachen anhand multimodaler Daten“ vor.

Warum ist die Erforschung von Demenz und künstlicher Intelligenz (KI) wichtig?

Die Weltbevölkerung wird älter, und damit sind wir mit zahlreichen altersbedingten Gesundheitsrisiken konfrontiert. Eines dieser Risiken sind Demenzerkrankungen, deren Diagnose jedes Jahr um nahezu 10 Millionen neue Fälle zunimmt. Demenzerkrankungen sind eine Gruppe von Erkrankungen, die durch den Abbau kognitiver Funktionen bis zu einem Ausmaß gekennzeichnet sind, das die selbstständige Durchführung von Aktivitäten des täglichen Lebens erschwert oder unmöglich macht. Dazu zählt insbesondere die Alzheimer-Krankheit, daneben gibt es jedoch viele weitere Erkrankungen wie die vaskuläre Demenz, die Lewy-Körper-Demenz oder die frontotemporale Demenz.

Wie kann man intervenieren, um demenzbedingte Probleme zu reduzieren?

Die Antwort liegt in der Erstellung früher und präziser Diagnosen, die wirksame und gezielt auf die jeweilige Erkrankung ausgerichtete Therapien ermöglichen. Bereits 2017 erklärte die Weltgesundheitsorganisation (WHO), dass Diagnosen verbessert werden müssten, um auf den weltweiten Anstieg der Demenzfälle zu reagieren. Die verschiedenen Demenzformen sind jedoch in frühen Krankheitsstadien mitunter nur schwer voneinander zu unterscheiden, da die mit den einzelnen Demenzen verbundenen Symptome komplex sind. Hinzu kommt, dass verschiedene Demenzen manchmal gleichzeitig auftreten können, was zu einer hohen Zahl diagnostischer Fehler führt.

Goldstandard

Diese Diagnosen basierten hauptsächlich auf neuropsychologischen Untersuchungen. Es wurde jedoch versucht, diese auf kognitiven und verhaltensbezogenen Tests basierenden Diagnosen mit Tests zu verknüpfen, die biologische Proben untersuchen, etwa Magnetresonanztomografien, Blut- oder Liquorproben. Trotz erheblicher Anstrengungen fehlt bislang noch ein diagnostischer Test nach dem „Goldstandard“. Damit wird ein diagnostischer Test bezeichnet, der bei der Diagnose einer bestimmten Erkrankung eine hohe Zuverlässigkeit aufweist. Dieser Goldstandard wurde bisher vor allem anhand biologischer Daten gesucht, bislang jedoch ohne Erfolg.

Lösung auf Grundlage künstlicher Intelligenz (KI)

Um diese Situation zu bewältigen, haben eine Gruppe von Forschenden der Boston University und Forschende aus den gesamten Vereinigten Staaten eine auf künstlicher Intelligenz basierende Lösung vorgeschlagen, mit der sich große Mengen heterogener Daten verarbeiten ließen. Diese Daten sind heterogen, weil der Ansatz die reale Welt nachahmen soll, also dieselben Instrumente verwendet, die eine klinisch tätige Fachkraft zur Lösung des Problems der Demenzdiagnose und -prävention einsetzen würde. Die berücksichtigten Datentypen waren soziodemografische, neurologische und körperliche Daten, die Krankengeschichte sowie Magnetresonanztomografien.

Was wurde gemacht?

Für die Anwendung eines auf künstlicher Intelligenz basierenden Modells wurde eine sehr große Datenmenge benötigt. Daher griffen die Forschenden auf neun unabhängige Datensätze zurück, die mehr als 51.000 Patientinnen und Patienten mit verschiedenen Demenzformen umfassten. 

Patientinnen und Patienten mit verschiedenen Demenzformen

Die Einbeziehung eines breiten Spektrums von Demenzen mit unterschiedlichen Ursachen war ein entscheidender Schritt, um eine umfassende und vielfältige Charakterisierung zu erhalten, die für die Realität repräsentativ sein kann. Deshalb wurden Patientinnen und Patienten mit Demenz aufgrund vieler verschiedener Ursachen einbezogen, etwa Alzheimer, Schlaganfällen, frontotemporaler Degeneration, kortikobasaler Degeneration, Infektionen, Drogenmissbrauch usw.

Problem fehlender Daten

Dieser auf einer sehr großen Datenmenge basierende Ansatz macht es jedoch auch wahrscheinlicher, dass Daten fehlen. Dies steht im Gegensatz zu sehr kontrollierten Umgebungen mit einer geringeren Zahl von Patientinnen und Patienten, in denen sich Datenverluste minimieren lassen. In diesem Fall erfordert der Ansatz große, sehr heterogene Datensätze, die es dem Modell ermöglichen, zu lernen und die Realität möglichst genau abzubilden. Um das Problem fehlender Daten zu lösen, setzten die Forschenden Techniken ein, die in den frühen Phasen größtmögliche Robustheit gewährleisten. Die Implementierung dieser robusten Methoden und Strategien verhindert eine Verzerrung des Trainings der künstlichen Intelligenz und damit auch der späteren Vorhersagen. Darüber hinaus wurden standardisierte Ein- und Ausschlussverfahren angewendet, die die Konsistenz und Glaubwürdigkeit der Ergebnisse sicherstellten.

Modell vom Typ „Transformer“

An diesem Punkt stellte sich außerdem die wichtige Herausforderung, ein Modell zu entwickeln, das mehrere Datentypen und Parameter unterschiedlicher Art zusammenführen kann. Dies wird als Architektur vom Typ „Transformer“ bezeichnet. Bei diesem Modell werden alle einbezogenen unterschiedlichen Merkmale in einen sogenannten „Vektor fester Länge“ umgewandelt. Dabei kommt eine spezifische Strategie zum Einsatz, mit der eine erste Modelle bene erstellt wird, auf der der restliche Teil des Modells aufbaut, indem diese Daten in eine Reihe von Vorhersagen dekodiert werden.

Zum besseren Verständnis können wir uns dieses Modell wie ein Kochrezept vorstellen, nur dass das Modell anstelle der verschiedenen Schritte eines Rezepts über unterschiedliche Schichten verfügt. Ebenso wie wir für ein gutes Gericht gute Zutaten benötigen, die sich beim Kochen angemessen miteinander kombinieren lassen, brauchten die Forschenden ein gutes System zur Klassifizierung der Patientinnen und Patienten. Dafür mussten ihre Zutaten, also die Ausgangsdaten, von guter Qualität sein und sich angemessen kombinieren lassen. In unserem Vergleich mit diesem Modell der künstlichen Intelligenz bedeutet dies, die verschiedenen vorhandenen Daten in ein gemeinsames Format (Vektor fester Länge) zu überführen. Dadurch ist das entwickelte Modell gegenüber fehlenden oder unvollständigen Daten sehr robust und kann zuverlässige Vorhersagen treffen.

Selbstüberwachtes Lernen

Konkret verwendeten die Forschenden ein Modell des sogenannten selbstüberwachten Lernens. Bei diesem Ansatz des maschinellen Lernens lernt das Modell aus Daten, ohne dass explizite Labels erforderlich sind. Im Gegensatz zum überwachten Lernen, das einen gelabelten Datensatz benötigt, basiert selbstüberwachtes Lernen darauf, Strukturen und Muster in den Daten ohne direkten menschlichen Eingriff zur Kennzeichnung zu erkennen.

Trainings-, Validierungs- und Vergleichsphase mit Fachleuten

Als Nächstes folgte bei der Entwicklung des Modells die Trainings-, Validierungs- und Vergleichsphase mit Fachleuten. Trainings- und Validierungsprozesse sind bei dieser Art von Studie üblich.

Das Training bestand darin, das Modell mit Daten aus den verschiedenen Kohorten zu speisen und alle Modalitäten zu integrieren, damit es Muster erlernen konnte, die mit verschiedenen Demenzformen verbunden sind. Nach dem Training des Modells erfolgte die Validierung. Dabei wurden zuvor nicht gesehene Daten verwendet, um sicherzustellen, dass das Modell seine Vorhersagen auf unbekannte Daten verallgemeinern kann.

Schließlich verglichen die Forschenden auf innovative Weise die vom Modell erstellten Diagnosen mit den Einschätzungen von auf die Diagnose von Demenzerkrankungen spezialisierten Ärztinnen und Ärzten. Dazu luden sie 12 Neurologinnen und Neurologen sowie 7 Neuroradiologinnen und Neuroradiologen ein, an Diagnoseaufgaben zu einer Teilstichprobe von 100 Fällen mit verschiedenen Demenzformen teilzunehmen. Ihnen wurden die für jeden dieser 100 Fälle verfügbaren Daten vorgelegt. Sie sollten ihre diagnostischen Einschätzungen sowie einen Vertrauenswert zwischen 0 und 100 für die Diagnose jeder der 13 möglichen Kategorien angeben. Dabei sollte untersucht werden, ob sich die klinische Beurteilung durch den Einsatz des entwickelten Modells verbessern lässt.

Was sind die wichtigsten Schlussfolgerungen dieser Studie zu Demenz und künstlicher Intelligenz (KI)?

Die wichtigsten Ergebnisse lassen sich in drei Bereiche unterteilen: Klassifizierung gesund versus beeinträchtigt, Klassifizierung der Erkrankungen und Verbesserung der klinischen Beurteilung durch den Einsatz des Modells.

In der Studie wurde die Leistung eines Modells künstlicher Intelligenz (KI) zur Einteilung von Personen in drei kognitive Kategorien untersucht:

• gesund oder kognitiv unauffällig,
• leichte kognitive Beeinträchtigung
• und Demenz.

Zur Bewertung der Modellleistung wurden ROC- und PR-Kurven verwendet. Die erzielten Ergebnisse sind in der folgenden Tabelle (Tabelle 1) dargestellt.

• Die für die ROC-Modelle ermittelten Kennwerte spiegeln die hohe Fähigkeit des Modells wider, die drei genannten Klassen zu unterscheiden, da diese Kennwerte auf einer Skala von 0 bis 1 bewertet werden und ein Wert nahe eins auf eine hervorragende Klassifikation hinweist.
• Auch die AUAP-Kennwerte weisen auf eine gute Modellleistung hin, wobei jede Klasse einzeln berücksichtigt werden muss.

	AUROC	AUAP
Mikro	0.94	0.90
Makro	0.93	0.84
Gewichtet	0.94	0.87

Das zweite Ergebnis der Studie bezog sich auf die Fähigkeit des Modells, zehn verschiedene Demenzformen zu diagnostizieren. Dabei zeigte es sehr signifikante Ergebnisse hinsichtlich seiner diagnostischen Genauigkeit.

• Die Ergebnisse der AUROC-Kennwerte zeigen erneut eine hohe Wirksamkeit des Modells. In den meisten Fällen war es in der Lage, zwischen den verschiedenen Demenzformen zu unterscheiden.
• Andererseits zeigen die AUPR-Modelle weiterhin, dass das Modell eine gute, wenn auch keine hervorragende Leistung erbringt (siehe Tabelle 2). Dies deutet darauf hin, dass das Modell bei einigen Erkrankungen präziser ist als bei anderen.

	AUROC	AP
Mikro	0.96	0.70
Makro	0.90	0.36
Gewichtet	0.94	0.73

Was schließlich die KI-gestützte klinische Beurteilung betrifft, deuten die Ergebnisse darauf hin, dass die diagnostische Genauigkeit gegenüber der alleinigen Einschätzung einer klinisch tätigen Fachkraft gesteigert werden könnte. Dies zeigt sich an der signifikanten Verbesserung der Klassifikation der Demenzformen. Zum Beispiel:

Die Neurologinnen und Neurologen verbesserten sich:

• um 12 % bei der Erkennung einer leichten kognitiven Beeinträchtigung,
• um 15 % bei der Erkennung von Alzheimer,
• um 26 % bei der frontotemporalen Demenz gemäß den AUROC-Werten.
• Besonders relevant war die Verbesserung bei Prionenerkrankungen, die 73 % betrug.

Die Radiologinnen und Radiologen:

• verbesserten sich bei der Alzheimer-Demenz um 9 %,
• um 6 % bei der frontotemporalen Demenz,
• bemerkenswert war auch die Verbesserung bei Prionenerkrankungen um 68 %.

Zusammenfassend lässt sich feststellen, dass künftige Modelle auf Grundlage künstlicher Intelligenz eine große Hilfe bei der Differenzialdiagnose sein könnten, wenn diese auf der multifaktoriellen Natur der verschiedenen Demenzformen beruht. Dies könnte nicht nur die Diagnose verbessern, sondern auch die Personalisierung von Behandlungen und Interventionen in frühen Krankheitsstadien erleichtern.

Wie könnte NeuronUP zu einer solchen Studie beitragen?

NeuronUP kann auf vielfältige Weise zu einer solchen Studie beitragen.

1. NeuronUP kann zur Implementierung von Strukturen und Technologien beitragen, mit denen sich eine Studie dieser Art nachbilden oder reproduzieren ließe, da die verwendeten Datensätze frei genutzt werden können.
2. Die Studie könnte repliziert oder mithilfe eines anderen, präziseren oder kostengünstigeren Verfahrens reproduziert werden.
3. Darüber hinaus könnten Techniken und Modelle angewendet werden, die eine höhere Präzision ermöglichen und unterscheiden, welche Datentypen am meisten zum Modell beitragen oder ob sich bereits mit nur einem Datentyp gute Klassifikationskennwerte erzielen lassen. Ein Beispiel wäre die Verwendung neuropsychologischer und soziodemografischer Daten, um vergleichbare Ergebnisse zu erzielen.
4. Darüber hinaus verfügt NeuronUP über eine große neurokognitive Datenbank. Daher könnten ähnliche Klassifikationen durchgeführt werden, um zu präzisieren, welche neurokognitiven Aspekte eine frühe Erkennung und die Vorhersage eines Abbaus erleichtern könnten. Dies ist besonders relevant, da Demenzerkrankungen weiterhin durch erhebliche neuropsychologische und verhaltensbezogene Beeinträchtigungen gekennzeichnet sind. In den vergangenen Jahren wurden bei der Suche nach Biomarkern große Fortschritte erzielt. Die Lebensqualität der Patientinnen und Patienten bleibt jedoch von zentraler Bedeutung und ist für sie und ihre Angehörigen das größte Anliegen. Eine höhere Genauigkeit in diesem Bereich oder die Erstellung eines kognitiven Profils auf Grundlage kognitiver Tests könnte daher sehr hilfreich sein.
5. Da der neurokognitive Bereich im Artikel nicht ausführlich behandelt wird, könnten die umfangreichen Datenbanken von NeuronUP genutzt werden, um die Studie mit einer neuen Patientenkohorte zu reproduzieren. Zudem wird die Art der in der Studie verwendeten neuropsychologischen Daten nicht beschrieben; möglicherweise sind bestimmte kognitive Domänen relevanter als andere.

Hauptforscher: Dr. Vijaya B. Kolachalama ist außerordentlicher Professor an der Boston University und leitender Forscher des Kolachalama Lab an derselben Universität. Seine Arbeit konzentriert sich hauptsächlich auf die Anwendung künstlicher Intelligenz auf medizinische Fragestellungen. Seine Mission ist es, Instrumente zu entwickeln, die Neurologinnen und Neurologen in realen Szenarien unterstützen, insbesondere bei neurodegenerativen Erkrankungen.

Literaturverzeichnis

• Xue, C., Kowshik, S.S., Lteif, D. et al. „KI-basierte Differenzialdiagnose von Demenzursachen anhand multimodaler Daten“. Nat Med (2024). https://doi.org/10.1038/s41591-024-03118-z

Wenn Ihnen dieser Blogbeitrag über die KI-basierte Differenzialdiagnose von Demenzursachen anhand multimodaler Daten gefallen hat, interessieren Sie wahrscheinlich auch diese Artikel von NeuronUP: