למידה עמוקה מאירה אור חדש על גילוי פרקינסון דרך העין

לאחרונה דוחות מדעיים המחקר דן בפוטנציאל של הדמיית קרקעית הרשתית כאמצעי סקר אבחנתי למחלת פרקינסון (PD).

לימוד: למידה עמוקה מנבאת מחלת פרקינסון נפוצה ומקרית מהדמיית קרקעית הביובנק בבריטניה. קרדיט תמונה: recep art / Shutterstock.com

רקע כללי

PD קשורה לירידה הדרגתית בשליטה המוטורית ולמספר תסמינים לא מוטוריים עקב אובדן מתקדם של נוירונים דופמינרגיים ב-substantia nigra של המוח.

מקרי המוות הקשורים ל-PD הוכפלו מאז שנת 2000, בעיקר בגלל היעדר התערבויות באיכות טובה בקרב קשישים. לפיכך, יש צורך במחקר נוסף כדי להבין טוב יותר את הפתולוגיה של PD ולפתח מערכות אבחון מוקדם.

הרשתית, המכונה לעתים קרובות חלון למוח, מספקת דרך קיימא להערכת תהליכים נוירופתולוגיים הקשורים למחלות ניווניות רבות. למרות ההתקדמות האחרונה, ממצאים קליניים על ניוון רשתית אינם תמיד חד משמעיים, מה שמצדיק מחקר נוסף כדי לשפר את כוח האבחון של הרשתית.

לשם כך, אלגוריתמי בינה מלאכותית (AI), כולל מודלים של למידה עמוקה ואלגוריתמים קונבנציונליים של למידת מכונה, הופיעו ככלי אבחון יעילים.

לגבי המחקר

פיתוח הבנה מעמיקה של סמנים ביולוגיים ברשתית של PD מצריך ידע מעמיק של הניוון המבני של כלי הדם ברשתית. למרות שלעתים קרובות קשה להשיג זאת מבחינה קלינית, בינה מלאכותית יכולה לסייע בהבהרת הקשרים המורכבים ברמה המרחבית המקומית והעולמית של הרשתית. המחקר הנוכחי מציע שימוש באלגוריתמים של AI כדי להתמודד עם האתגר שהוזכר לעיל והוא אחד ממחקרי AI הנרחבים הראשונים על אבחון PD מהדמיית קרקעית העין.

המטרה העיקרית של המחקר הייתה ליצור פרופיל שיטתי של ביצועי הסיווג על פני שלבים שונים של התקדמות PD, כולל תקרית ו-PD נפוץ. על ידי הזנחת כל שיטות בחירת תכונה או מדדים כמותיים חיצוניים, החוקרים ממקסמו את יכולת האבחון של אלגוריתמי AI. החוסן הוקם באמצעות למידה עמוקה ושיטות למידת מכונה קונבנציונליות.

ממצאי המחקר

רשתות עצביות עמוקות עלו על מודלים קונבנציונליים של למידת מכונה והציגו ביצועים בולטים בזיהוי PD בתמונות קרקעית העין. המודל חזה בהצלחה את השכיחות של PD לפני אבחון פורמלי עם רמת רגישות של 80% מאפס עד 5.07 שנים.

בין 5.07 ל-5.57 שנים, הרגישות עלתה ל-93.33% ולאחר מכן ירדה ל-81.67% בין 5.57 ל-7.38 שנים. תוצאות אלו מבטיחות, שכן הן מראות את הפוטנציאל להתערבות מוקדמת במחלה.

רשתות עצביות עמוקות אוטומטיות יכולות להשלים את רופאי העיניים כדי לזהות סמנים ביולוגיים של מחלות ולבצע את הערכת התפוקה הגבוהה. עד כה, הערכת PD מבוססת AI באמצעות הרשתית היא נדירה. חשוב לציין, מחקר קודם לא השווה למידה עמוקה ושיטות למידת מכונה קונבנציונליות.

לעומת זאת, המחקר הנוכחי העריך מגוון רחב של שיטות למידה עמוקה ושיטות למידת מכונה קונבנציונליות כדי לשקול את כל תמונת קרקעית העין כמדיום אבחוני. יתרה מכך, חולי PD שכיחים ואירועי PD הובדלו בהצלחה מבקרות בריאות בהתאמה מתאימה בדיוק של 68%.

מסקנות

במחקר הנוכחי, מודלים קונבנציונליים של למידת מכונה קיבלו ביצועים טובים יותר על ידי מודלים של למידה עמוקה כדי לחזות במדויק PD מתמונות קרקעית העין. שיטה זו הייתה חזקה להפרעות תמונה, מה שמבטיח לטיפול מוקדם.

עבודה זו צפויה לספק את הבסיס למחקר עתידי ולפעול כהתייחסות לבחירת אלגוריתם הן לאפשרות הפרשנות והן לביצועיה.

מגבלה בסיסית של מחקר זה היא גודל מערך הנתונים, שניתן לשפר אותו כדי ללכוד מגוון רחב יותר של מצגות של PD. שנית, המחקר מבוסס על אוכלוסיית בריטניה, ובכך מגביל את יכולת ההכללה של הממצאים.

מגבלה נוספת של המחקר הנוכחי היא שהחוקרים לא דיווחו כיצד ניתן ליישם גישה זו על רמות חומרה שונות של PD. למרות שהמחקר הנוכחי התמקד ב-PD, עדיין לא ברור אם מחלות נוירו-גנרטיביות אחרות כמו מחלת אלצהיימר, כמו גם מחלות עיניים מסוימות, חולקות דפוסי ניוון דומים או סמנים ביולוגיים.

מחקר עתידי צריך גם לחקור אם תחזיות המודל יכולות לתת מענה לדירוג של רופאי עיניים. עם זאת, זה יכול להיות מסובך מכיוון שהסמנים הביולוגיים החזותיים של מחלות עיניים נפוצות מובנים טוב יותר מאלה של PD.

יחד, מגבלות אלו מחייבות מחקר נוסף תוך שימוש בדגימות מגוונות כדי לבסס את האמינות של מודלים של AI במסגרות קליניות.