Исследователь Антонио Хавьер Сутиль Хименес излагает в этой статье наиболее важные данные об исследовании «Дифференциальная диагностика этиологий деменции на основе ИИ по многомодальным данным».
Почему важно исследование деменции и искусственного интеллекта (ИИ)?
Мировое население стареет, и вместе с этим мы сталкиваемся с множеством рисков для здоровья, связанных со старением. Один из этих рисков — деменции, число новых диагнозов которых увеличивается примерно на 10 миллионов в год. Деменции — это группа заболеваний, характеризующихся ухудшением когнитивных функций до степени, при которой выполнение повседневных действий самостоятельно становится затруднительным или невозможным. Среди них особо выделяется болезнь Альцгеймера, но существуют и другие, такие как сосудистая деменция, деменция с тельцами Леви или фронтотемпоральная деменция.
Как вмешиваться, чтобы уменьшить проблемы, связанные с деменциями?
Ответ связан с получением ранних и точных диагнозов, которые позволят проводить эффективные и специально направленные на каждое заболевание терапии. Ещё в 2017 году Всемирная организация здравоохранения (ВОЗ) заявила о необходимости улучшения диагностики для ответа на рост числа случаев деменции во всём мире. Однако различные типы деменции иногда трудно различимы на ранних стадиях, поскольку симптомы, связанные с каждой деменцией, сложны. К тому же разные деменции иногда могут сосуществовать, что приводит к большому числу диагностических ошибок.
Золотой стандарт
Эти диагнозы в основном базировались на нейропсихологических оценках. Тем не менее диагностические процедуры, основанные на когнитивных и поведенческих тестах, пытались сопоставлять с тестами, оценивающими биологические образцы, такими как магнитно-резонансная томография, образцы крови или спинномозговая жидкость и др. Несмотря на значительные усилия, по-прежнему отсутствует диагностическое испытание типа «золотого стандарта». Так называется тест, обладающий высокой надёжностью при диагностике конкретного заболевания. Этот «золотой стандарт» в основном искали по биологическим данным, но без успеха на данный момент.
Решение на основе искусственного интеллекта (ИИ)
Чтобы решить эту проблему, группа исследователей из Бостонского университета совместно с учёными со всех штатов США предложила решение на основе искусственного интеллекта, которое позволило бы работать с большим набором данных разнородного характера. Эти данные разнородны, потому что они основаны на имитации реального мира; то есть используются те же инструменты, которые клинический специалист применил бы для решения проблемы диагностики и профилактики деменций. Множественные типы данных, которые они рассмотрели, включали: социодемографические, неврологические, физические, медицинскую историю и МРТ-сканы.
Что было сделано?
Чтобы применить модель на основе искусственного интеллекта, требовалось массивное количество данных, поэтому исследователи обратились к nueve conjuntos de datos independientes reuniendo más de 51.000 pacientes con diferentes tipos de demencia.
Пациенты с различными типами деменции
Включение широкого спектра деменций с множественными причинами было важным шагом для получения богатой и разнообразной характеристики, которая могла бы быть представительной для реальности. Поэтому были включены пациенты с деменцией, вызванной множеством различных причин, таких как болезнь Альцгеймера, инсульты, фронтотемпоральная дегенерация, кортикобазальная дегенерация, деменции, вызванные инфекциями, злоупотреблением наркотиками и т.д.
Проблема потери данных
Однако такой подход, основанный на массовом количестве данных, также делает вероятной потерю данных. Это противоположно сильно контролируемым условиям с меньшим числом пациентов, где потерю данных минимизируют. В данном случае подход требует больших, очень разнородных наборов данных, которые позволяют модели обучаться и быть максимально приближённой к реальности. Чтобы решить проблему потери данных, исследователи применили методики, обеспечивающие максимальную устойчивость на ранних этапах. Внедрение этих методов и устойчивых стратегий предотвращает смещение обучения искусственного интеллекта и, следовательно, будущие предсказания также. Помимо этого были соблюдены стандартизированные процедуры включения и исключения, что обеспечило согласованность и достоверность результатов.
Модель типа «трансформер»
Здесь также возникает важная задача — создание модели, позволяющей объединять множество типов данных и параметров разной природы, то есть архитектуры типа «трансформер». В таком типе модели все включённые разные характеристики преобразуются в то, что называется «вектор фиксированной длины», следуя определённой стратегии, которая позволяет создать первый слой модели, на основе которого будет строиться остальная часть, декодируя это в ряд предсказаний.
Чтобы лучше понять, можно представить эту модель как рецепт, только вместо шагов в рецепте у модели будут разные слои. Но так же, как для того чтобы получить хорошее блюдо после готовки, нам нужны хорошие ингредиенты, которые будут правильно сочетаться. Исследователи хотели получить хорошую систему классификации пациентов и им были нужны хорошие ингредиенты, то есть исходные данные, которые могли бы правильно комбинироваться. В нашем сравнении с этой моделью ИИ это было бы преобразование разных имеющихся у нас данных в общий формат (вектор фиксированной длины). Благодаря этому созданная модель будет очень устойчива к потере или неполноте данных и сможет делать надёжные прогнозы.
Самосупервизируемое обучение
В частности, они используют тип модели, называемый самосупервизируемым обучением. В этом подходе машинного обучения модель учится на данных без необходимости явных меток. В отличие от контролируемого обучения, которое требует набор данных с метками, самосупервизируемое обучение основывается на поиске структур и шаблонов в данных без прямого участия человека в их маркировке.
Фаза обучения, валидации и сравнения с экспертами
Далее в разработке модели шли фазы обучения, валидации и сравнения с экспертами. Процессы обучения и валидации являются общепринятыми в такого рода исследованиях.
Обучение заключалось в подаче модели данных из разных когорт, интегрируя все модальности для выявления шаблонов, связанных с различными типами деменции. После обучения модели проводилась валидация с использованием ранее невидимых данных, чтобы убедиться, что модель может обобщать свои предсказания на незнакомые данные.
Наконец, и это было новшеством, исследователи сравнили диагнозы, поставленные моделью, с диагнозами врачей-специалистов по деменциям. Для этого они пригласили группу 12 неврологов и 7 нейрорадиологов для участия в диагностических задачах по поднабору из 100 случаев с различными типами деменции. Им были предоставлены данные по каждому из этих 100 случаев, и их попросили дать диагностические заключения, а также оценку уверенности от 0 до 100 для диагноза по каждой из 13 возможных меток. В этой части хотели выяснить, можно ли улучшить клинические суждения с помощью созданной модели.
Каковы основные выводы этого исследования деменции и искусственного интеллекта (ИИ)?
Основные результаты можно разделить на три части: классификация «здоровые» vs нарушение, классификация патологий и улучшение клинического критерия с помощью модели.
Исследование оценивало работу модели ИИ для классификации индивидов по трём когнитивным категориям:
- здоровые или когнитивно нормальные,
- легкое когнитивное нарушение
- и деменция.
Для оценки производительности модели использовались кривые ROC и PR. Полученные результаты можно увидеть в следующей (таблица 1).
- Показатели, полученные для моделей по ROC отражают высокую способность модели различать три упомянутых класса, так как эти метрики оцениваются от 0 до 1, и значение, близкое к единице, свидетельствует о отличной классификации.
- Для метрик AUAP значения также указывают на хорошую работу модели, при этом необходимо учитывать каждую класс отдельно.
| AUROC | AUAP | |
| Микро | 0.94 | 0.90 |
| Макро | 0.93 | 0.84 |
| Взвешенный | 0.94 | 0.87 |
Второй результат исследования касался способности модели диагностировать десять различных типов деменции, показав очень значимые результаты с точки зрения диагностической точности.
- Результаты по метрикам AUROC вновь демонстрируют высокую эффективность модели: она в большинстве случаев способна различать типы деменции.
- С другой стороны, модели по AUPR продолжают показывать, что модель имеет хорошую производительность, хотя и не превосходную (см. таблицу 2), что указывает на то, что модель более точна в отношении одних заболеваний, чем других.
| AUROC | AP | |
| Микро | 0.96 | 0.70 |
| Макро | 0.90 | 0.36 |
| Взвешенный | 0.94 | 0.73 |
Наконец, касательно клинической оценки с поддержкой ИИ, результаты указывают, что это могло бы повысить диагностическую точность по сравнению с тем, что делает клинический специалист самостоятельно. Это видно по значительному улучшению классификации типов деменций. Например:
Неврологи улучшили:
- на 12% в обнаружении легких когнитивных нарушений,
- на 15% в диагностике болезни Альцгеймера,
- на 26% для фронтотемпоральной деменции по значениям AUROC.
- особенно примечательно улучшение для прионного заболевания — на 73%.
Радиологи:
- по деменции типа Альцгеймера улучшили на 9%,
- на 6% по фронтотемпоральной деменции,
- также выделяется улучшение по прионному заболеванию — на 68%.
В заключение можно сказать, что будущие модели на основе искусственного интеллекта могут оказать большую помощь в дифференциальной диагностике, когда она опирается на многофакторную природу разных типов деменции. Это могло бы не только улучшить диагностику, но и облегчить персонализацию лечения и вмешательств на ранних стадиях заболевания.
Где NeuronUP могла бы внести вклад в такое исследование?
NeuronUP может внести вклад в такое исследование самыми разными способами.
- С NeuronUP можно содействовать в внедрении структур и технологий, которые позволили бы воспроизвести или реплицировать исследование такого рода, учитывая, что использованные датасеты доступны для общего использования.
- Можно было бы реплицировать или воспроизвести исследование, используя иной, более точный или менее затратный подход.
- Кроме того, можно применить техники и модели, позволяющие точнее определить, какие типы данных вносят наибольший вклад в модель, или можно ли получить хорошие метрики классификации, используя только один тип данных. Примером может служить использование нейропсихологических и социодемографических данных для попытки получить аналогичные результаты.
- С другой стороны, NeuronUP располагает большой базой данных нейрокогнитивного характера, поэтому можно попытаться провести аналогичные классификации, которые уточнили бы, в каких нейрокогнитивных аспектах возможно облегчить раннее обнаружение и прогнозирование ухудшения. Это особенно важно, поскольку деменции по-прежнему имеют значительную нейропсихологическую и поведенческую составляющую. За последние годы были достигнуты значительные успехи в поиске биомаркеров, но качество жизни пациента остаётся первоочередным и основной заботой для него и его близких. Поэтому большая точность в этой области или составление когнитивного профиля на основе когнитивных тестов могли бы быть очень полезны.
- Продолжая тему нейрокогнитивных данных, поскольку этот аспект мало освещён в статье, можно использовать большие базы данных NeuronUP для репликации исследования на новой когорте пациентов. Кроме того, тип нейропсихологических данных, используемых в исследовании, не описан, и могут существовать различные когнитивные домены, имеющие большее значение.
Главный исследователь: д-р Виджая Б. Колачалама (Vijaya B. Kolachalama) является доцентом Бостонского университета и главным исследователем лаборатории Kolachalama Lab в этом же университете. Его работа в основном направлена на применение искусственного интеллекта к медицинским задачам. Его миссия — создавать инструменты, которые помогают неврологам в реальных клинических сценариях, особенно при нейродегенеративных заболеваниях.
Библиография
- Xue, C., Kowshik, S.S., Lteif, D. et al. «Дифференциальная диагностика этиологий деменции на основе ИИ по многомодальным данным». Nat Med (2024). https://doi.org/10.1038/s41591-024-03118-z
Если вам понравилась эта запись блога о дифференциальной диагностике этиологий деменции на основе ИИ по многомодальным данным, вам наверняка будут интересны эти статьи NeuronUP:
«Эта статья была переведена. Ссылка на оригинальную статью на испанском:»
Diagnóstico diferencial de etiologías de demencia basado en IA sobre datos multimodales
Нейропсихология алкоголя
Добавить комментарий