تشخیص ابتلا به پارکینسون با هوش مصنوعی

بیماری پارکینسون علائم بسیار مشابهی با سایر بیماری‌های دارای شرایط مشترک مانند آتروفی سیستم چندگانه (MSA) و فلج فوق هسته‌ای پیشرونده (PSP) دارد.  این اختلالات به‌عنوان سندرم‌های پارکینسون آتیپیک شناخته می‌شوند و اغلب با علائم هم‌پوشانی مانند سفتی، لرزش و اختلال در حرکت ظاهر می‌شوند. این شباهت، تشخیص آنها را به‌خصوص در مراحل اولیه دشوار می‌کند و حتی پزشکان با تجربه، با استفاده از روش‌های سنتی، مانند معاینه فیزیکی و تصویربرداری استاندارد، اغلب این بیماری را اشتباه تشخیص می‌دهند.

هر چند آزمایش‌های خاصی مانند «تصویربرداری از انتقال‌دهنده دوپامین» از سال ۲۰۱۱ برای کمک به تشخیص پارکینسون از شرایطی مانند «لرزش اساسی» تایید شده‌اند، اما هنوز پژوهشگران برای درک تشخیص تفاوت بین آتروفی سیستم چندگانه، پارکینسون و فلج فوق هسته‌ای پیشرونده تلاش می‌کنند. البته روش‌های دیگر، مانند «بیوپسی پوست» و آزمایش‌های «نشانگرهای تجمع پروتئین در مغز» نیز به‌ویژه در تشخیص دقیق فلج فوق هسته‌ای پیشرونده نیز محدود باقی مانده‌اند.

در این بررسی، پژوهشگران روش «تمایز تصویربرداری خودکار برای پارکینسونیسم» را آزمایش کردند؛ آنان یک مدل یادگیری ماشینی با اسکن‌های ام‌آرآی برای تشخیص تغییرات کوچک در ساختار مغز که میان موارد ذکرشده متفاوت است را بررسی کردند. این پژوهش شامل داده‌های ۲۴۹ بیمار بود که در ۲۱ بخش بالینی در آمریکا و کانادا ثبت‌نام کرده بودند، همراه با ۳۹۶ مورد اضافی که برای آموزش این مدل استفاده شد. در همه بیماران آتروفی سیستم چندگانه، پارکینسون و فلج فوق هسته‌ای پیشرونده تایید شده بود.

روش «تمایز تصویربرداری خودکار برای پارکینسونیسم» شامل تجزیه‌وتحلیل اسکن‌های پیشرفته ام‌آرآی دیفیوژن است که نحوه حرکت آب در مغز را ردیابی می‌کند. این روش تغییرات ساختاری و الگوهای انحطاط مغزی خاص هر بیماری را نشان می‌دهد. پژوهشگران ۱۳۲ ناحیه مختلف مغز ازجمله قشر، ساقه مغز و مخچه را مورد بررسی قرار دادند تا به مدل هوش مصنوعی، نحوه تشخیص ویژگی‌های خاص بیماری را آموزش دهند.

روش «تمایز تصویربرداری خودکار برای پارکینسونیسم» در ۹۶ درصد موارد، بیماری پارکینسون را به درستی در موارد غیر معمول شناسایی و آتروفی سیستم چندگانه را از فلج فوق هسته‌ای پیشرونده با دقت ۹۸ درصد متمایز کرد و هنگام جداسازی پارکینسون از آتروفی سیستم چندگانه یا فلج فوق هسته‌ای پیشرونده به دقت ۹۸ درصد دست یافت.

در مقایسه با تشخیص‌های تایید شده توسط کالبد شکافی، روش کنونی به دقت کلی ۹۳.۹ درصد دست یافت که ۱۲.۳ درصد بهتر از تشخیص‌های بالینی سنتی است. این نتایج نشان می‌دهد که روش «تمایز تصویربرداری خودکار برای پارکینسونیسم» علاوه بر دقیق‌تر بودن از روش‌های فعلی، در مواردی که تشخیص آن دشوار است، سازگارتر خواهد بود و همچنین استفاده از ام‌آرآی، ‌آن را غیر تهاجمی کرده است و در مراکز و ماشین‌های مختلف تصویربرداری کارایی دارد و استفاده از آن را در بیمارستان‌ها و کلینیک‌های مختلف آسان‌تر خواهد بود.

هوش مصنوعی ابتلا به پارکینسون را تشخیص داد

یکی از امیدوارکننده‌ترین جنبه‌های روش «تمایز تصویربرداری خودکار برای پارکینسونیسم» این است که عملکرد بهتری نسبت به تصویربرداری متداول «تصویربرداری از انتقال‌دهنده دوپامین» دارد که نمی‌تواند به وضوح بین آتروفی سیستم چندگانه، پارکینسون و فلج فوق هسته‌ای پیشرونده تمایز قائل شود. در مقابل، روش «تمایز تصویربرداری خودکار برای پارکینسونیسم» تفاوت‌های ساختاری واضحی را بین این اختلالات مشخص می‌کند.

روش «تمایز تصویربرداری خودکار برای پارکینسونیسم» به‌زودی می‌تواند به یک مکمل ارزشمند برای اقدامات معمول پزشکی برای بیماران مشکوک به اختلالات پارکینسون تبدیل شود که می‌تواند به بیماران کمک کند تا تشخیص درست را زودتر دریافت کنند تا منجر به درمان‌های هدفمندتر و نتایج بهتر شود.

پژوهشگران همچنین ترکیب روش  «تمایز تصویربرداری خودکار برای پارکینسونیسم» را با سایر ابزارهای تشخیصی مانند آزمایش «نشانگرهای تجمع پروتئین در مغز» یا «بیوپسی‌های پوستی» برای افزایش اعتماد به نفس تشخیصی حتی بیشتر پیشنهاد می‌کنند. با چنین ادغامی، پزشکان می‌توانند پاسخ‌های سریع‌تر و دقیق‌تری را به بیماران و خانواده‌هایشان ارائه دهند.

این پژوهش گام بزرگ رو به جلو در استفاده از هوش مصنوعی برای تشخیص‌های عصبی است. بسیاری از بیماران مبتلا به علائم مشابه پارکینسون سال‌ها بدون پاسخ روشن باقی می‌مانند که درمان مناسب را به تاخیر می‌اندازد. روش «تمایز تصویربرداری خودکار برای پارکینسونیسم»، یک راه‌حل عملی و مقیاس‌پذیر ارائه می‌دهد که می‌تواند عدم اطمینان را از بین ببرد.

قدرت آن در استفاده از داده‌های واقعی بیمار از چندین مرکز بالینی و نشان دادن دقت بهبود یافته حتی در برابر نتایج کالبد شکافی نهفته است. نتایج این پژوهش که در سایت ساینس منتشرشده است، همچنین نشان می‌دهد که چگونه هوش مصنوعی می‌تواند با ارائه ابزارهای دقیق‌تر برای تصمیم‌گیری، مکمل و نه جایگزین پزشکان باشد.  

به‌طور کلی، روش «تمایز تصویربرداری خودکار برای پارکینسونیسم»، نشان‌دهنده جهش قابل‌توجه به سمت پزشکی دقیق در نورولوژی است و اگر به‌طور گسترده مورد استفاده قرار گیرد، می‌تواند میزان تشخیص اشتباه را کاهش دهد، مراقبت از بیمار را بهبود بخشد و به‌عنوان الگویی برای استفاده از یادگیری ماشینی برای حل سایر مشکلات پیچیده پزشکی عمل کند.

نتایج این پژوهش در JAMA Neurology منتشرشده است.