Ein weiterer Durchbruch in der KI! Gleichzeitige Diagnose von 10 Demenzarten verbessert die Genauigkeit menschlicher Ärzte um 26 %

Geschrieben von | Ma Xuewei

Vorwort

Demenz ist derzeit die siebthäufigste Todesursache weltweit und eine der häufigsten Ursachen für Behinderung und Abhängigkeit bei älteren Menschen weltweit. Eine genaue Demenzdiagnose kann die körperliche Gesundheit älterer Menschen im Alter verbessern und die Belastung ihrer Familien verringern.

Ein von einem Forschungsteam der Boston University und seinen Mitarbeitern entwickeltes Tool für künstliche Intelligenz (KI) könnte uns nun dabei helfen, zehn verschiedene Demenzarten (gleichzeitig) zu diagnostizieren und so die Genauigkeit der Neurologen um mehr als 26 % zu verbessern.

Die zugehörige Forschungsarbeit mit dem Titel „KI-basierte Differentialdiagnose von Demenzätiologien anhand multimodaler Daten“ wurde online in der Fachzeitschrift Nature Medicine veröffentlicht.

„Unser generatives KI-Tool kann routinemäßig gesammelte klinische Daten für die Differentialdiagnose von Demenz nutzen und zeigt damit sein Potenzial als skalierbares Diagnosetool für die Alzheimer-Krankheit und verwandte Demenzerkrankungen“, sagte die korrespondierende Autorin Vijaya B. Kolachalama, PhD, außerordentliche Professorin für Medizin an der Boston University Chobanian & Avedisian School of Medicine.

Weltweit herrscht ein Mangel an Neurologen, während die Zahl der Patienten, die ihre Hilfe benötigen, rapide wächst. Dieses Defizit stellt eine enorme Belastung für die Gesundheitssysteme dar. Das Forschungsteam ist davon überzeugt, dass KI helfen kann, indem sie diese Krankheiten frühzeitig erkennt und Ärzte dabei unterstützt, Patienten effektiver zu behandeln und so einer Verschlimmerung der Krankheit vorzubeugen.

Das Forschungsteam hofft, dass dieses KI-Tool angesichts der Tatsache, dass sich die Zahl der Demenzfälle in den nächsten 20 Jahren voraussichtlich verdoppeln wird, eine genaue Differentialdiagnose ermöglichen und den gestiegenen Bedarf an gezielten Demenzbehandlungen unterstützen kann.

Die Diagnosegenauigkeit der Ärzte stieg um 26 %

Nach Angaben der Weltgesundheitsorganisation (WHO) leiden derzeit weltweit mehr als 55 Millionen Menschen an Demenz und jedes Jahr werden weltweit 10 Millionen neue Demenzfälle gemeldet. Allerdings können unterschiedliche Formen der Demenz und sich überschneidende Symptome die Diagnose erschweren und eine wirksame Behandlung verhindern.

Daher ist eine genaue Diagnose der Demenz für die Entwicklung gezielter und personalisierter Behandlungsstrategien von entscheidender Bedeutung. Allerdings ist der Zugang zu vorhandenen Diagnoseinstrumenten begrenzt und ein Mangel an Neurologen und Neuropsychologen verschärft diese Herausforderung zusätzlich.

Vor diesem Hintergrund entwickelte das Forschungsteam ein multimodales Framework für maschinelles Lernen (ML), das routinemäßig erfasste klinische Daten (wie demografische Informationen, Krankengeschichte des Patienten und seiner Familie, Medikamenteneinnahme, Ergebnisse neurologischer und neuropsychologischer Untersuchungen und bildgebende Daten wie MRT-Scans) nutzt, um die spezifischen Pathologien, die zu Demenz führen, genau zu identifizieren.

Abbildung | Glossar der Begriffe zur Ätiologieklassifizierung

Das Modell des Forschungsteams verwendet multimodale Daten aus einer Vielzahl von Kohorten und verfolgt einen rigorosen Ansatz zur Differentialdiagnose von Demenz. Dabei werden Personen einer oder mehreren von dreizehn Diagnosekategorien zugeordnet, die im Konsens eines Neurologenteams festgelegt werden. Dieser pragmatische Klassifizierungsansatz soll klinische Behandlungspfade berücksichtigen und somit reale Szenarien widerspiegeln. Beispielsweise fasste das Forschungsteam die Lewy-Body-Demenz und die Parkinson-Demenz in der kombinierten Kategorie LBD zusammen. Diese Klassifizierung basiert auf der Erkenntnis, dass die Behandlung dieser Störungen im Allgemeinen ähnlichen Abläufen folgt und häufig von einem multidisziplinären Team aus Spezialisten für Bewegungsstörungen überwacht wird.

Abbildung | Neun unabhängige Datensätze

In dieser Studie wurden neun unabhängige Datensätze verwendet, darunter ADNI, NACC, NIFD, PPMI, OASIS, LBDSU, 4RTNI und FHS. Für das Modelltraining wurden Daten von NACC, NIFD, PPMI, OASIS, LBDSU und 4RTNI verwendet. Für die Modelltests wurden Daten von ADNI, FHS und einem Holdout-Set von NACC verwendet. In dieser Studie wurde das multimodale ML-Framework mit Daten von mehr als 50.000 Personen aus neun verschiedenen globalen Datensätzen trainiert.

Abbildung | Daten, Modellarchitektur und Modellierungsstrategie. a) Es wurde ein Modell zur Differentialdiagnose von Demenz entwickelt, bei dem mehrere Datenmodalitäten zum Einsatz kamen, darunter demografische Daten auf individueller Ebene, Krankengeschichte, neurologische Tests, körperliche/neurologische Untersuchungen und MRT-Scans mit mehreren Sequenzen. Diese Datenquellen wurden, sofern verfügbar, aus neun unabhängigen Datensätzen aggregiert. Für das Modelltraining hat das Forschungsteam Daten von NACC, AIBL, PPMI, NIFD, LBDSU, OASIS und 4RTNI zusammengeführt. Das Forschungsteam verwendete eine Teilmenge des NACC-Datensatzes für interne Tests. Zur externen Validierung nutzte das Forschungsteam die ADNI- und FHS-Kohorten. b, Transformer als Modellarchitektur. Jedes Merkmal wird durch eine modalitätsspezifische Einbettungsstrategie (Emb.) in einen Vektor mit fester Länge verarbeitet und als Eingabe für den Transformator bereitgestellt. Eine lineare Schicht wird verwendet, um den Transformator mit der Ausgabevorhersageschicht zu verbinden. c. Eine Teilmenge des NACC-Testdatensatzes wurde zufällig für eine vergleichende Analyse ausgewählt, bei der die Leistung von Neurologen mit Unterstützung des KI-Modells mit der Leistung ohne KI-Unterstützung verglichen wurde. In ähnlicher Weise führte das Forschungsteam eine vergleichende Bewertung von Neuroradiologen durch, denen eine zufällig ausgewählte Stichprobe bestätigter Demenzfälle aus der NACC-Testkohorte zur Verfügung gestellt wurde, um die Auswirkungen der KI-Erweiterung auf ihre diagnostische Leistung zu bewerten. Bei diesen Auswertungen haben das Modell und die Kliniker Zugriff auf dieselben multimodalen Daten. Abschließend bewertete das Forschungsteam die Vorhersageleistung des Modells durch einen Vergleich der verfügbaren Biomarkerprofile und Pathologiegrade in den Kohorten NACC, ADNI und FHS.

Abbildung | Modellleistung bei der Unterscheidung kognitiver Zustände

Das Modell konnte effektiv zwischen normaler Kognition, leichter kognitiver Beeinträchtigung und Demenz unterscheiden und erreichte einen Mikro-Durchschnittswert AUROC von 0,94, was darauf hindeutet, dass seine Vorhersagefähigkeit sehr stark war. Das Modell ist bei Personen unterschiedlichen Alters, Geschlechts und unterschiedlicher Rasse konsistent, was auf eine gute Generalisierungsfähigkeit hindeutet. Das Modell kommt gut mit fehlenden Daten zurecht und ermöglicht zuverlässige Vorhersagen, selbst wenn die Daten unvollständig sind.

Abbildung | Modellleistung bei der Unterscheidung von Demenzursachen

Das Modell konnte zwischen zehn verschiedenen Demenzursachen unterscheiden, darunter Alzheimer-Krankheit, vaskuläre Demenz und Lewy-Body-Demenz, und erreichte einen Mikro-Durchschnittswert von AUROC von 0,96, was auf eine hohe Genauigkeit bei der ätiologischen Diagnose hindeutet. Das Modell zeigte gute Ergebnisse bei der Behandlung gemischter Demenz (d. h., mehrere gleichzeitig auftretende Ursachen) mit einem durchschnittlichen AUROC von 0,78, was darauf hindeutet, dass es in der Lage war, komplexe Ursachenkombinationen zu erkennen. Das Modell stimmte mit den Ergebnissen der Biomarker-Tests überein und seine Beziehung zu verschiedenen Proteinopathien wurde durch Autopsieergebnisse verifiziert, was die Zuverlässigkeit und Genauigkeit des Modells weiter bestätigte.

Abbildung | Modellleistung zur Verbesserung der Diagnoseeffizienz von Klinikern

In 100 zufällig ausgewählten Fällen war der AUROC bei der Verwendung des KI-Modells zur Unterstützung der Neurologen bei ihrer Beurteilung um 26,25 % höher als bei der Verwendung von Neurologen allein, was darauf hindeutet, dass das Modell die Genauigkeit der Kliniker bei der Diagnose von Demenz verbessern kann. Die Vorhersagen des Modells stimmten weitgehend mit den Bewertungen von Neurologen und Neuroradiologen überein, was darauf hindeutet, dass das Modell zuverlässige zusätzliche diagnostische Informationen liefern kann.

Mängel und Perspektiven

Die Forschungsdaten stammen hauptsächlich von der weißen Bevölkerung und sind nicht repräsentativ für andere Rassen und ethnische Gruppen. Dies kann bei der Behandlung unterschiedlicher Populationen zu einer Verzerrung des Modells führen. Der Datensatz enthielt eine große Zahl von AD-Fällen, was dazu führen könnte, dass das Modell eher AD-Subtypen identifiziert und die Merkmale anderer Demenz-Subtypen ignoriert.

Obwohl das Modell verschiedene Demenzsubtypen identifizieren kann, berücksichtigt es die Heterogenität der AD-Pathologie nicht vollständig. Zukünftige Studien sind erforderlich, um die Merkmale der verschiedenen AD-Subtypen eingehender zu analysieren und die Leistung des Modells bei diesen Subtypen zu bewerten.

Das Modell fasst leichte, mittelschwere und schwere Demenz in einer einzigen Kategorie zusammen, die die differenzierte Beurteilung des Krankheitsstadiums in bestimmten Gesundheitseinrichtungen möglicherweise nicht vollständig widerspiegelt. Zukünftige Studien könnten das Krankheitsstadium als zusätzliche Dimension berücksichtigen, um die Genauigkeit des Modells zu verbessern.

Die Trainingsdaten des Modells können die Subjektivität und Variabilität der Diagnoseentscheidungen verschiedener Kliniker widerspiegeln, was die Genauigkeit des Modells beeinträchtigen kann. Zukünftige Studien müssen konsistentere und standardisiertere Diagnosedaten sammeln, um die Zuverlässigkeit des Modells weiter zu verbessern.

Das Forschungsteam sagte, dass sie in Zukunft versuchen könnten, mehr Patientendaten unterschiedlicher Rassen und Ethnien und aus unterschiedlichen klinischen Umgebungen zu sammeln, um die Generalisierungsfähigkeit des Modells zu verbessern. durch Verbesserung der Modellarchitektur Modelle entwickeln, die die Heterogenität der AD-Pathologie besser bewältigen können, beispielsweise durch die Kombination komplexerer neuronaler Netzwerkstrukturen oder ausgefeilterer Methoden zur Merkmalsextraktion; Kombinieren Sie KI-Modelle mit anderen Technologien wie Elektroenzephalogrammen, genetischen Tests usw., um umfassendere Patienteninformationen zu erhalten und die Genauigkeit der Diagnose weiter zu verbessern. Darüber hinaus können langfristige Folgestudien durchgeführt werden, um den Krankheitsverlauf und die Behandlungseffekte der Patienten zu verfolgen, die Vorhersagekraft des Modells zu bewerten und seinen Wert in der klinischen Praxis zu überprüfen.

Link zum Artikel:

https://www.eurekalert.org/news-releases/1050605

https://www.nature.com/articles/s41591-024-03118-z

https://www.who.int/en/news-room/fact-sheets/detail/dementia