Ερευνητές του FAU αναπτύσσουν μοντέλο βαθιάς μάθησης για ανίχνευση Αλτσχάιμερ και FTD
Η άνοια αποτελεί μια ομάδα διαταραχών που σταδιακά επηρεάζουν τη μνήμη, τη σκέψη και τη καθημερινή λειτουργία. Η νόσος Αλτσχάιμερ (AD), η πιο συχνή μορφή άνοιας, αναμένεται να πλήξει περίπου 7,2 εκατομμύρια Αμερικανούς ηλικίας 65 ετών και άνω μέχρι το 2025. Από την άλλη, η προσυμπτωματική μετωποκροταφική άνοια (FTD), αν και σπανιότερη, είναι η δεύτερη πιο κοινή αιτία πρώιμης άνοιας, επηρεάζοντας συχνά άτομα ηλικίας 40 έως 60 ετών.
Διαφορές και προκλήσεις στη διάγνωση
Αν και και οι δύο ασθένειες προκαλούν βλάβες στον εγκέφαλο, το κάνουν με διαφορετικούς τρόπους. Η AD επηρεάζει κυρίως τη μνήμη και την αντίληψη του χώρου, ενώ η FTD στοχεύει περιοχές που σχετίζονται με τη συμπεριφορά, την προσωπικότητα και τη γλώσσα. Αυτή η αλληλεπικάλυψη των συμπτωμάτων συχνά οδηγεί σε λανθασμένες διαγνώσεις. Η διάκριση μεταξύ τους δεν είναι μόνο επιστημονική πρόκληση, αλλά και κλινική αναγκαιότητα, καθώς η σωστή διάγνωση μπορεί να επηρεάσει σημαντικά τη θεραπεία, τη φροντίδα και την ποιότητα ζωής των ασθενών.
Η καινοτομία του μοντέλου βαθιάς μάθησης
Οι ερευνητές από το College of Engineering and Computer Science του Florida Atlantic University ανέπτυξαν ένα μοντέλο βαθιάς μάθησης που ανιχνεύει και αξιολογεί την AD και την FTD. Το μοντέλο αυτό βελτιώνει την ακρίβεια και την ερμηνευσιμότητα των ηλεκτροεγκεφαλογραφημάτων (EEG) αναλύοντας τόσο τις χρονικές όσο και τις συχνότητες των εγκεφαλικών δραστηριοτήτων που σχετίζονται με κάθε ασθένεια.
Τα αποτελέσματα της μελέτης, που δημοσιεύθηκαν στο περιοδικό Biomedical Signal Processing and Control, έδειξαν ότι οι αργές δέλτα εγκεφαλικές κυματομορφές ήταν σημαντικός βιοδείκτης και για τις δύο νόσους, κυρίως στις μετωπιαίες και κεντρικές περιοχές του εγκεφάλου. Στην AD, η εγκεφαλική δραστηριότητα παρουσίασε μεγαλύτερη διαταραχή, επηρεάζοντας και άλλες περιοχές και συχνότητες, όπως η βήτα, υποδεικνύοντας πιο εκτενή εγκεφαλική βλάβη. Αυτές οι διαφορές εξηγούν γιατί η AD είναι συνήθως πιο εύκολα ανιχνεύσιμη από την FTD.
Αποτελέσματα και προοπτικές
Το μοντέλο πέτυχε πάνω από 90% ακρίβεια στην διάκριση ατόμων με άνοια (AD ή FTD) από συμμετέχοντες με φυσιολογική γνωστική λειτουργία. Επιπλέον, προέβλεψε τη σοβαρότητα της νόσου με σχετικές αποκλίσεις κάτω από 35% για την AD και 15,5% για την FTD. Χάρη στη χρήση επιλογής χαρακτηριστικών, οι ερευνητές αύξησαν την ειδικότητα του μοντέλου, δηλαδή την ικανότητά του να αναγνωρίζει άτομα χωρίς την ασθένεια, από 26% σε 65%.
Η καινοτομία του μοντέλου έγκειται στη συνδυαστική χρήση των συνελικτικών νευρωνικών δικτύων και των LSTMs βασισμένων στην προσοχή, προκειμένου να ανιχνεύσουν τόσο τον τύπο όσο και τη σοβαρότητα της άνοιας από τα δεδομένα EEG. Η τεχνική Grad-CAM αποκαλύπτει ποιες εγκεφαλικές σήματα επηρεάζουν τις αποφάσεις του μοντέλου, προσφέροντας στους κλινικούς ιατρούς μια καλύτερη κατανόηση της διαδικασίας διάγνωσης. Αυτή η προσέγγιση προσφέρει μια νέα προοπτική για το πώς εξελίσσεται η εγκεφαλική δραστηριότητα και ποιες περιοχές και συχνότητες οδηγούν στη διάγνωση – κάτι που τα παραδοσιακά εργαλεία σπάνια αποτυπώνουν.
«Αυτό που καθιστά τη μελέτη μας καινοτόμο είναι η χρήση της βαθιάς μάθησης για την εξαγωγή τόσο χωρικών όσο και χρονικών πληροφοριών από τα σήματα EEG. Με αυτόν τον τρόπο, μπορούμε να ανιχνεύσουμε λεπτές εγκεφαλικές κυματομορφές που σχετίζονται με την Αλτσχάιμερ και την προσυμπτωματική μετωποκροταφική άνοια, οι οποίες αλλιώς θα περνούσαν απαρατήρητες», ανέφερε ο Τuan Vo, πρώτος συγγραφέας και διδακτορικός φοιτητής στο Τμήμα Ηλεκτρολόγων Μηχανικών και Επιστήμης Υπολογιστών του FAU.
Τα ευρήματα επιβεβαίωσαν επίσης ότι η AD τείνει να είναι πιο σοβαρή, επηρεάζοντας ένα ευρύτερο φάσμα περιοχών του εγκεφάλου και οδηγώντας σε χαμηλότερους γνωστικούς δείκτες, ενώ οι επιπτώσεις της FTD είναι πιο τοπικές στις μετωπιαίες και κροταφικές λοβούς. Αυτές οι πληροφορίες ευθυγραμμίζονται με προηγούμενες μελέτες νευροαπεικόνισης, προσθέτοντας ωστόσο νέα διάσταση δείχνοντας πώς αυτές οι δομές εμφανίζονται στα δεδομένα EEG.
