820
Дослідники створили модель машинного навчання, яка може оцінювати накопичення тау-білка в мозку за даними метаболічного сканування. Тау є однією з головних патологічних ознак хвороби Альцгеймера, а його розподіл у мозку зазвичай оцінюють за допомогою спеціальної ПЕТ-візуалізації. Новий підхід потенційно дозволяє отримувати подібну інформацію з іншого типу дослідження — FDG-ПЕТ.
FDG-ПЕТ показує, як різні ділянки мозку використовують глюкозу, тобто відображає рівень метаболічної активності. При нейродегенеративних захворюваннях цей малюнок змінюється. Автори роботи поєднали такі дані з обчислювальною моделлю роботи мозку, щоб навчити систему передбачати, де саме і в якій кількості може накопичуватися патологічний тау.
Модель навчали на даних понад тисячі людей
Для розробки алгоритму використали дані 1088 учасників — як людей із нормальним віковим старінням, так і пацієнтів із хворобою Альцгеймера та спорідненими розладами. Для кожного були доступні і FDG-ПЕТ, і тау-ПЕТ із використанням флортауципіру, тому прогноз моделі можна було безпосередньо порівняти з реальною картиною накопичення тау.
Після навчання модель перевірили на кількох незалежних групах. До однієї входили 215 учасників із початкової вибірки, за якими спостерігали в динаміці. Інша складалася з 295 людей із проєкту Alzheimer’s Disease Neuroimaging Initiative. Окремо підхід випробували на клінічній вибірці з 264 пацієнтів із різними неврологічними захворюваннями.
Точність класифікації сягала 95%
Особливо добре модель працювала, коли потрібно було розділити людей на групи з низьким і високим рівнем тау-патології. Точність такого поділу залежно від вибірки становила приблизно від 79% до 95%.
Автори наголошують, що це поки не заміна тау-ПЕТ і не самостійний діагностичний тест. Значення роботи полягає у тому, що вона допомагає краще пов’язати нейродегенерацію з накопиченням тау та може стати основою для майбутніх інструментів оцінки патології там, де спеціальне тау-сканування недоступне.
