Strojové učenie môže odhaliť Parkinsona roky pred objavením príznakov
- Autor:
- Roman Mališka
- Zverejnené:
- 19. 5. 2023
- Hodnotenie:
- Už ste hlasovali.
Parkinsonova choroba rastie rýchlejšie ako akékoľvek iné neurologické ochorenie, preto je jej včasné odhalenie také dôležité. Výskumníci preto vyvinuli nový nástroj strojového učenia, ktorý sa javí ako sľubný spôsob včasného odhalenia choroby.
Diagnóza Parkinsonovej choroby sa zvyčajne vyskytuje, keď sa u osoby prejavia tradičné symptómy, ako sú spomalené pohyby, tras, zlá rovnováha a koordinácia a svalová stuhnutosť. No nástup atypických symptómov, ako je únava, problémy so spánkom, problémy s močovým mechúrom alebo črevami, depresia a / alebo úzkosť a strata čuchu, môže predchádzať tradičným symptómom o mnoho rokov.
Spoľahlivá metóda testovania biomarkerov, ktorá vedie k včasnej diagnóze Parkinsonovej choroby namiesto čakania na objavenie sa tradičných symptómov, by znamenala, že liečba ochorenia môže začať skôr. Teraz výskumníci z Univerzity New South Wales Sydney v spolupráci s Bostonskou univerzitou využili silu strojového učenia na vývoj nástroja, ktorý je sľubný ako skorý detektor Parkinsonovej choroby.
Strojové učenie sa široko používa na vývoj presných modelov na predpovedanie chorôb. A pokročilé metódy strojového učenia, ako sú neurónové siete, predstavujú spôsob spracovania veľkých objemov údajov. Aby bol však algoritmus strojového učenia efektívny, musí sa učiť pomocou údajov, ktoré nie sú „zašumené“. Metabolomika, rozsiahle štúdium metabolitov, môže byť v tomto smere problematická.
Mnohé metabolity, čo sú vedľajšie produkty vznikajúce pri rozklade potravy, liekov a chemikálií v tele, sú korelované s inými metabolitmi, z ktorých niektoré významne neprispievajú k predpovedi ochorenia. To je dôvod, prečo výskumníci vyvinuli nový nástroj strojového učenia, Analýza klasifikácie a hodnotenia pomocou neurónovej siete generujúca znalosti z hromadnej spektrometrie alebo CRANK-MS (Classification and Ranking Analysis using Neural network generates Knowledge from Mass Spectrometry).
„Aby sme zistili, ktoré metabolity sú pre chorobu významnejšie v porovnaní s kontrolnými skupinami, výskumníci sa zvyčajne pozerajú na korelácie zahŕňajúce špecifické molekuly,“ povedala J Diana Zhang, hlavná autorka štúdie. „Tu však berieme do úvahy, že metabolity môžu mať asociácie s inými metabolitmi. A tu prichádza na scénu strojové učenie. So stovkami až tisíckami metabolitov sme použili výpočtový výkon, aby sme pochopili, čo sa deje“.
Výskumníci získali metabolomické údaje zo španielskeho Európskeho prospektívneho výskumu rakoviny a výživy (EPIC), pričom sa zamerali na 39 pacientov, u ktorých sa vyvinula Parkinosnova choroba a podstúpili CRANK-MS. Po porovnaní pacientov s Parkinosnovou chorobou so zdravými pacientmi boli vedci schopní identifikovať jedinečné metabolické kombinácie, ktoré by mohli byť včasnými varovnými príznakmi ochorenia.
Krása používania CRANK-MS spočíva v tom, že výskumníci mohli použiť nefalšované údaje, čo zjednodušilo proces.
„Vedci, ktorí používajú strojové učenie na skúmanie korelácií medzi metabolitmi a chorobami, zvyčajne najprv znížia počet chemických prvkov, skôr než ich vložia do algoritmu,“ povedal William Donald, zodpovedajúci autor štúdie. „Tu však dávame všetky informácie do CRANK-MS bez redukcie údajov hneď na začiatku. A z toho môžeme získať predikciu modelu a identifikovať, ktoré metabolity riadia predpoveď najviac, a to všetko v jednom kroku. Znamená to, že ak existujú metabolity, ktoré mohli byť potenciálne vynechané pri použití konvenčných prístupov, teraz ich môžeme vyzdvihnúť“.
Zatiaľ čo technológia CRANK-MS dokázala analyzovať metabolity indikujúce Parkinsonovu chorobu s presnosťou až 96 %, výskumníci chápu, že malá veľkosť vzorky v štúdii znamená, že sú potrebné ďalšie štúdie.
Tím tvrdí, že v budúcnosti by sa technológia CRANK-MS mohla použiť pri prvom príznaku atypických symptómov na zabezpečenie včasnej diagnózy Parkinsonovej choroby alebo na jej vylúčenie. A algoritmus strojového učenia je verejne dostupný pre výskumníkov, ktorí by ho mohli chcieť použiť.
„Model sme postavili tak, aby vyhovoval účelu,“ povedal Zhang. „Aplikácia CRANK-MS na detekciu Parkinsonovej choroby je len jedným z príkladov toho, ako môže umelá inteligencia zlepšiť spôsob, akým diagnostikujeme a monitorujeme ochorenie. Vzrušujúce je, že CRANK-MS sa dá ľahko aplikovať na iné choroby na identifikáciu nových biomarkerov, ktoré nás zaujímajú“.
Štúdia bola nedávno publikovaná v magazíne ACS Central Science.
