מודל בינה מלאכותית מנבא את התקדמות אלצהיימר עם תובנות חדשות לגבי פערים גזעיים ומין

מודל AI פורץ דרך מנתח נתונים מגוונים כדי לחשוף התקדמות מהירה יותר של אלצהיימר אצל נשים שחורות, ומציע כלי רב עוצמה לגילוי מוקדם וטיפול מותאם אישית.

מחקר: חיזוי והתקבצות של מחלת אלצהיימר לפי גזע ומין: גישת למידה עמוקה רב-ראשית לניתוח נתונים לא סדירים והטרוגניים. קרדיט תמונה: STEKLO / Shutterstock

במחקר שפורסם לאחרונה בכתב העת דוחות מדעייםחוקרים בארצות הברית פיתחו מודל רב ראשי של למידה עמוקה שנועד לנתח את התקדמות מחלת האלצהיימר (AD) אצל אנשים נורמליים מבחינה קוגניטיבית. מודל זה משתמש בארכיטקטורות רשתות עצביות מתקדמות, כולל רשתות עצביות קונבולוציוניות (CNN) וזיכרון לטווח ארוך (LSTM), כדי לעבד נתונים רב-מודאליים ולחזות את התקדמות AD. הם מצאו ארבעה מקבצי התקדמות ראשוניים – ממירים איטיים, מתונים, מהירים ולא ממירים – עם דפוסים משתנים לפי גזע ומין. המודל עלה משמעותית על מודלים חד-מודאליים וזיהה מנבאים קריטיים ומגוונים להתקדמות המחלה.

רֶקַע

AD משפיעה על קוגניציה, זיכרון והתנהגות, כאשר גילוי מוקדם קריטי למיטוב תוצאות הטיפול. מחקרים נוכחיים מכוונים בעיקר לאנשים עם ליקוי קוגניטיבי קל (MCI) או סימפטומים מתקדמים, בעוד שמחקר קטן בוחן אנשים אסימפטומטיים עם קוגניציה תקינה שנמצאים בסיכון להתקדמות AD. תת-ייצוג זה בולט במיוחד עבור אנשים היספנים/לטינו ושחורים/אפריקאים אמריקאים, אשר מתמודדים עם סיכון גבוה יותר ל-AD, אך לעתים רחוקות יותר נכללים בניסויים קליניים. גורמים התורמים לפער זה כוללים חוסר אמון, חסמים סוציו-אקונומיים ואתגרים לוגיסטיים, כולם מסבכים את איסוף הנתונים על פני אוכלוסיות מגוונות. למידת מכונה משמשת יותר ויותר בנוירולוגיה לצורך חיזוי התקדמות המחלה, מה שיכול לאפשר זיהוי והתערבות מוקדמים יותר. עם זאת, מודלים קונבנציונליים נאבקים לנהל את האופי המורכב והממדים הגבוה של נתונים ביו-רפואיים. מודלים של למידה עמוקה ניתנים להרחבה מתאימים יותר לזהות דפוסים על פני גורמי סיכון מגוונים, העלולים לשפר את חיזוי הסיכון ל-AD ולתמוך במחקר שוויוני ומכיל. מתוך מחשבה על אתגרים אלו, החוקרים במחקר הנוכחי פיתחו מודל למידה עמוקה רב-ראשית לניבוי התקדמות AD, זיהוי מנבאים מרכזיים ואיסוף משתתפים כדי ללכוד הטרוגניות ברמת האוכלוסייה.

על המחקר

החוקרים השתמשו בנתונים מקיפים ובממדים גבוהים מהמרכז הלאומי לתיאום אלצהיימר (NACC) כדי לבנות מודל חיזוי רב-ראשי של למידה עמוקה. מודל זה נבנה באופן ייחודי לטיפול במערכי נתונים גדולים, תוך שילוב של נתונים ביו-רפואיים ונתוני הדמיה כדי לשפר את חיזוי התקדמות AD, מקבץ ומיצוי תכונות. עיבוד מקדים נרחב הוחל כדי לחדד את הנתונים ולהפחית הטיות פוטנציאליות, כולל בחירת תכונות, שיטות איזון וטיפול בערכים חסרים, וכתוצאה מכך הכללת 6,110 משתתפים ו-447 תכונות בתחומים שונים. כ-63% מהמשתתפים היו נשים, 87% היו לבנים (כולל 5% היספנים/לטינו), ו-13% היו שחורים או אפרו-אמריקאים. רוב המשתתפים היו מעל גיל 61 בביקורם הראשוני, מה שסיפק מערך נתונים משמעותי עבור קבוצת גיל זו.

מודל הרשת העצבית הרב-ראשית השתמש בנתונים רב-מודאליים ואסטרטגיות היתוך כדי ללמוד ולהבדיל בין אינטראקציות מורכבות. גישה זו משלבת באופן ייחודי מודלים של CNN, LSTM ו-XGBoost כדי ללכוד נתונים אורך ולחזות את התקדמות המחלה בדיוק רב. ניתוחים נוספים כללו מיצוי תכונות מבוססי SHAP ואשכול, זיהוי מנבאים מובילים להתקדמות המחלה כגון דירוג דמנציה קלינית, שבץ מוחי, דיכאון וסוכרת, ואימות הטרוגניות האוכלוסייה.

תוצאות ודיון

כ-61% מהמשתתפים חסרו את אלל גן הסיכון אפוליפופרוטאין E4 (APOE4), בעוד של-27% היה עותק אחד ול-3% היו 2 עותקים. מודל ה-CNN הרב-מודאלי, מרובה ראשים, היתוך מוקדם, דו-שכבתי, עלה על 14 מודלים חד-מודאליים אחרים במדדים מרכזיים, כולל דיוק, דיוק, זכירה וציון F1, והפגין זיהוי דפוס חזק וחיזוי של מחלקות לא מאוזנות.

המשתתפים סווגו לארבעה אשכולות על סמך קצב ההתקדמות: לא ממירים (80%), ממירים איטיים (14%), ממירים מתונים (4%) וממירים מהירים (2%). משתתפים שחורים/אפריקאים אמריקאים, במיוחד נקבות, הראו התקדמות מחלה מהירה יותר ושונות יותר מאשר משתתפים לבנים, כאשר אנשים שאינם ממירים נותרו הקבוצה הגדולה ביותר על פני מין וגזע. יש לציין, נשים שחורות/אפריקאיות אמריקאיות בקבוצת הממירים המהירים עקפו את שלב ה-MCI, והתקדמו ישירות לדמנציה, בעוד שהנקבות הלבנות נטו לחוות שלב MCI ביניים. מגמה זו מדגישה כיצד גזע ומין יכולים להשפיע על התקדמות AD, כאשר נשים שחורות/אפריקאיות אמריקאיות מראות הן התפרצות מוקדמת יותר של המחלה והן שונות רבה יותר בכל האשכולות. מנבאים מבוססי MRI, למרות שהם בעלי השפעה, דירגו נמוך יותר בניבוי מעברים ספציפיים ל-MCI/דמנציה.

מַסְקָנָה

לסיכום, מחקר זה הוכיח בהצלחה שמודל למידה עמוקה מרובה ראשים יכול לטפל ביעילות במורכבות של AD, לחשוף הטרוגניות משמעותית בין אשכולות התקדמות ולהציע תובנות חדשות לגבי האופן שבו הדמוגרפיה משפיעה על התקדמות המחלה. משתתפים שחורים/אפריקאים אמריקאים, במיוחד נשים, הראו התקדמות מחלה מוקדמת ומשתנה יותר בהשוואה למשתתפים לבנים. בעתיד, גישה זו עשויה לתמוך בפיתוח שיטות סקר ממוקדות לאלו בסיכון הגבוה ביותר.