Νέα μοντέλα AI ανιχνεύουν τη άνοια με υψηλή ακρίβεια μέσω EEG
Ερευνητές από το πανεπιστήμιο Örebro έχουν αναπτύξει δύο καινοτόμα μοντέλα τεχνητής νοημοσύνης που αναλύουν τη ηλεκτρική δραστηριότητα του εγκεφάλου, επιτυγχάνοντας να διακρίνουν με ακρίβεια υγιή άτομα από ασθενείς με άνοια, συμπεριλαμβανομένης της νόσου Alzheimer. Η έγκαιρη διάγνωση είναι ζωτικής σημασίας, καθώς επιτρέπει την υιοθέτηση προληπτικών μέτρων που μπορούν να επιβραδύνουν την εξέλιξη της νόσου και να βελτιώσουν την ποιότητα ζωής των ασθενών.
Η έρευνα και τα ευρήματα
Στη μελέτη με τίτλο “Ένα εξηγήσιμο και αποδοτικό πλαίσιο βαθιάς μάθησης για τη διάγνωση της νόσου Alzheimer και της μετωποκροταφικής άνοιας”, οι ερευνητές συνδύασαν δύο προηγμένες μεθόδους AI – τα χρονικά συνελικτικά δίκτυα και τα δίκτυα LSTM. Το πρόγραμμα αναλύει τα σήματα EEG και μπορεί σχεδόν να προσδιορίσει με ακρίβεια αν ένα άτομο είναι ασθενής ή υγιές.
Συγκρίνοντας τρεις ομάδες – ασθενείς με Alzheimer, μετωποκροταφική άνοια και υγιείς – η μέθοδος πέτυχε ακρίβεια άνω του 80%. Οι ερευνητές χρησιμοποίησαν επίσης μια εξηγητική τεχνική AI που αποκαλύπτει ποια μέρη του σήματος EEG επηρεάζουν τη διάγνωση, διευκολύνοντας έτσι τους γιατρούς να ερμηνεύσουν πώς το σύστημα καταλήγει στα συμπεράσματά του.
Προστασία προσωπικών δεδομένων και αποτελεσματικότητα
Στη δεύτερη μελέτη, με τίτλο “Κατηγοριοποίηση άνοιας με προστασία της ιδιωτικότητας μέσω υβριδικής συγχώνευσης EEGNetv4 και ομοσπονδιακής μάθησης”, οι ερευνητές ανέπτυξαν ένα μικρό και αποδοτικό μοντέλο AI – κάτω από ένα megabyte – που διασφαλίζει την προστασία της ιδιωτικότητας των ασθενών. Χρησιμοποιώντας ομοσπονδιακή μάθηση, πολλαπλοί πάροχοι υγειονομικής περίθαλψης μπορούν να συνεργαστούν για να εκπαιδεύσουν το σύστημα AI χωρίς να μοιράζονται δεδομένα ασθενών. Παρά την προστασία της ιδιωτικότητας, το μοντέλο επιτυγχάνει ακρίβεια άνω του 97%.
«Οι παραδοσιακοί μοντέλα μηχανικής μάθησης συχνά στερούνται διαφάνειας και αντιμετωπίζουν προκλήσεις σχετικά με την προστασία της ιδιωτικότητας. Η μελέτη μας στοχεύει να επιλύσει και τα δύο ζητήματα», δήλωσε ο Muhammad Hanif, αναπληρωτής καθηγητής πληροφορικής στο πανεπιστήμιο Örebro.
Μελλοντικές προοπτικές
Οι ερευνητές έχουν καταφέρει να συνδυάσουν διάφορες μεθόδους ερμηνείας των ηλεκτρικών σημάτων του εγκεφάλου. Αναλύοντας τα σήματα EEG σε διάφορες συχνότητες – άλφα, βήτα και γάμμα – η AI μπορεί να αναγνωρίσει μοτίβα που σχετίζονται με την άνοια. Οι αλγόριθμοι εντοπίζουν μακροχρόνιες αλλαγές στα σήματα και αναγνωρίζουν λεπτές διαφορές μεταξύ των διαγνώσεων. Επιπλέον, η τεχνολογία εξηγήσιμης AI διασφαλίζει ότι το σύστημα δεν είναι πια μια “μαύρη κουτί” – δείχνει καθαρά τη βάση των αποφάσεών του.
Στις μελέτες τους, οι ερευνητές αποδεικνύουν πώς η AI μπορεί να αποτελέσει ένα γρήγορο, οικονομικό και ασφαλές εργαλείο για την πρώιμη διάγνωση της άνοιας. Το EEG είναι ήδη μια απλή και οικονομική μέθοδος που μπορεί να χρησιμοποιηθεί στην πρωτοβάθμια φροντίδα. Συνδυασμένο με μοντέλα AI που μπορούν να λειτουργούν σε φορητές συσκευές, ανοίγει τον δρόμο για ευρύτερη χρήση στην υγειονομική περίθαλψη – από εξειδικευμένες κλινικές έως μελλοντικές εξετάσεις στο σπίτι.
«Η πρώιμη διάγνωση είναι καθοριστική για την υλοποίηση προληπτικών μέτρων που επιβραδύνουν την εξέλιξη της νόσου και βελτιώνουν την ποιότητα ζωής. Αν λύσεις όπως αυτή εφαρμοστούν πλήρως, θα μπορούσαν να ελαφρύνουν το βάρος για όλους τους εμπλεκόμενους – ασθενείς, προσωπικό φροντίδας, συγγενείς και επαγγελματίες υγείας», καταλήγει ο Muhammad Hanif.
Οι μελέτες διεξήχθησαν σε συνεργασία με ερευνητές από το πανεπιστήμιο Örebro και αρκετές διεθνείς ιδρύματα, συμπεριλαμβανομένων πανεπιστημίων από το Ηνωμένο Βασίλειο, την Αυστραλία, το Πακιστάν και τη Σαουδική Αραβία.
«Σκοπεύουμε να συνεχίσουμε την έρευνα επεκτείνοντας σε μεγαλύτερες και πιο ποικιλόμορφες βάσεις δεδομένων, εξερευνώντας περισσότερα χαρακτηριστικά EEG και συμπεριλαμβάνοντας άλλους τύπους άνοιας, όπως η αγγειακή άνοια και η άνοια σώματος Lewy. Ταυτόχρονα, θα χρησιμοποιήσουμε εξηγήσιμη AI και θα διασφαλίσουμε αυστηρή προστασία των δεδομένων των ασθενών», εξηγεί ο Muhammad Hanif.
