به لطف ابزار جدید مبتنی بر هوش مصنوعی، به زودی یک اسکن ساده مغزی ممکن است تنها چیزی باشد که برای تشخیص دقیق بیماری پارکینسون مورد نیاز است. این پیشرفت میتواند به پزشکان کمک کند تا تشخیص و درمان را تسریع کنند، مراقبتهای لازم را به بیماران ارائه دهند و کیفیت زندگی آنها را بهبود بخشند.
این مدل یادگیری ماشین که توسط تیمهایی از دانشگاه فلوریدا (UF) و مراکز پزشکی برتر توسعه یافته است، اسکنهای MRI را برای تشخیص افتراقی بین بیماری پارکینسون، آتروفی سیستم چندگانه (MSA) و فلج فوق هستهای پیشرونده (PSP) تجزیه و تحلیل میکند. این شرایط اغلب در مراحل اولیه در اسکنهای مغزی مشابه به نظر میرسند، که تشخیص را پیچیده کرده و منجر به تأخیر در درمان میشود.
مایکل اس. اوکون، مشاور پزشکی بنیاد پارکینسون و مدیر موسسه فیکسل در UF Health، نویسنده ارشد این مطالعه گفت: «این فناوری مبتنی بر هوش مصنوعی در حال حاضر در مسیری عملیتر و بسیار هیجانانگیز حرکت میکند. پزشکان به طور معمول اسکنهای MRI مغز را به عنوان بخشی از یک بررسی منظم برای احتمال وجود یک بیماری تخریب عصبی پنهان تجویز میکنند. هوش مصنوعی این پتانسیل را دارد که این سناریو را تغییر دهد تا فراتر از دید پزشک یا رادیولوژیست حرکت کند.»
محققان این فناوری را با نام پلتفرم تمایز تصویربرداری خودکار برای پارکینسونیسم (AIDP) در مطالعهای که در مجله JAMA Neurology منتشر شد، معرفی کردند. با AIDP، پزشکان میتوانند بدون تکیه بر آزمایشهای تهاجمی یا اسکنهای تخصصی با استفاده از ردیابهای رادیواکتیو، تشخیصهای سریعتر و دقیقتری داشته باشند. با پیشبرد تشخیص و درمان زودهنگام، این کار منعکس کننده اهدافی است که در طول ماه آگاهی از پارکینسون و روز جهانی پارکینسون مورد تاکید قرار گرفتهاند.
برای آموزش هوش مصنوعی، محققان از 645 اسکن مغزی استفاده کردند: 249 اسکن از بیماران جدید، 396 اسکن از مطالعات قبلی و 49 اسکن از مغزهای اهدایی که پس از مرگ مورد بررسی قرار گرفتند. همه آنها تشخیصهای تایید شدهای از پارکینسون، MSA یا PSP داشتند. AIDP با جفت کردن اسکنها، که تغییرات جزئی در بافت مغز را نشان میدهند، با اطلاعاتی مانند سن، جنسیت و علائم، نشانگرهایی را شناسایی کرد که یک بیماری را از بیماری دیگر متمایز میکنند.
دیوید وایلانکورت، نویسنده اصلی این مطالعه و استاد دپارتمان فیزیولوژی کاربردی و حرکتشناسی در UF، گفت: «از هوش مصنوعی میتوان برای تشخیص الگوهای خاص تخریب عصبی استفاده کرد که منعکس کننده اثر انگشت آسیبشناختی یک بیماری خاص است.»
به گفته آنجلوس بارمپوتیس، نویسنده همکار این مطالعه و استاد موسسه دنیای دیجیتال UF، این تیم مدل خود را با استفاده از پردازندههای گرافیکی NVIDIA، از جمله یک NVIDIA Quadro P400 روی ماشینهای محلی اجرا کردند. آنها حجم تصاویر MRI را با استفاده از کتابخانه TensorFlow با NVIDIA CUDA و چهار پردازنده گرافیکی NVIDIA A100 Tensor Core تجزیه و تحلیل کردند. آموزش در مقیاس بزرگ حدود 36 ساعت طول کشید تا کامل شود.
نسخه نهایی این مدل فقط در چند دقیقه آموزش میبیند و یک اسکن کامل مغزی با تشخیص در حدود دو ساعت پردازش میشود.
محققان دریافتند که این ابزار هوش مصنوعی در 95 درصد موارد به درستی تشخیص را شناسایی میکند و در برخی از چالش برانگیزترین سناریوها از تیمهای متخصص مغز و اعصاب بهتر عمل میکند. در میان موارد پس از مرگ، AIDP با بیماری تایید شده 94 درصد مواقع مطابقت داشت—در مقایسه با 82 درصد دقت برای تشخیص بالینی به تنهایی.
این سطح بالای دقت میتواند به کاهش تشخیص نادرست و کاهش آسیب عاطفی به بیماران و خانوادههایی که به دنبال پاسخ هستند کمک کند—در حالی که آنها را زودتر در مسیر درمان صحیح قرار میدهد. با پتانسیل پذیرش گسترده—این ابزار هوش مصنوعی در چندین بیمارستان و اسکنر MRI مختلف کار میکند—این نرم افزار مبتنی بر ابر میتواند در محیطهای مراقبتی، از بیمارستانهای بزرگ گرفته تا کلینیکهای کوچک و حتی خدمات پزشکی از راه دور ادغام شود.
فراتر از تشخیص، این ابزار همچنین این پتانسیل را دارد که آزمایشات بالینی را با اطمینان از ثبت نام بیماران صحیح بهبود بخشد، که یک چالش مداوم در تحقیقات پارکینسون است.
وایلانکورت گفت: «AIDP توسط Neuropacs مجوز دارد و پس از رسیدن به مانع نظارتی در محیطهای بالینی مورد استفاده قرار خواهد گرفت. اکنون میتوان از آن در آزمایشات بالینی برای غنی سازی نمونه و اطمینان از این که مطالعه شامل افراد مناسب است، استفاده کرد.»
مطالعه تمایز تصویربرداری خودکار برای پارکینسونیسم را بخوانید.