به گزارش پایگاه اطلاع رسانی بنیان، محققان توانستند با پیشرفت یک شیوه تحقیقاتی جدید از فناوری یادگیری ماشینی برای بررسی ویژگی‌های ساختاری مغز، از جمله در مناطقی که قبلاً با آلزایمر مرتبط نبوده‌اند، استفاده کنند. مزیت این تکنیک سادگی آن و شناسایی نشانه‌های بیماری در مراحل اولیه ابتلای فرد است، خصوصا زمانی که تشخیص بیماری بسیار دشوار است می‌باشد.

توانایی شناسایی دقیق بیماران در مراحل اولیه بیماری

اگرچه هیچ درمانی برای بیماری آلزایمر وجود ندارد، ولی تشخیص سریع بیماری در مراحل اولیه می‌تواند به بیماران کمک بزرگی باشد. زیرا به آنها این امکان را می‌دهد که از جایی کمک بگیرند و مورد حمایت قرار بگیرند و مهم‌تر اینکه برنامه درمانی خودشان را  برای کنترل علائم بیماری و جلوگیری از پیشرفت بیماری مدیریت کنند و برنامه درمانی آینده را هرچه سریعتر دریافت و شروع کنند. توانایی شناسایی دقیق بیماران در مراحل اولیه بیماری، همچنین به محققان کمک می‌کند تا  بتوانند تغییرات مغزی را که باعث شروع بیماری می‌شود، درک کنند و در این راه از توسعه و آزمایش کردن درمان‌های جدید پشتیبانی کنند. یافته‌های حاصل از این مطالعه (20 ژوئن 2022) در مجله Nature Portfolio، Communications Medicine منتشر شد و بودجه این کار از طریق موسسه ملی تحقیقات بهداشت و مراقبت (NIHR) مرکز تحقیقات بیومدیکال امپریال تامین شد.

بیماری آلزایمر و راه‌های تشخیص آن

بیماری آلزایمر شایع‌ترین نوع زوال عقل است که بیش از نیم میلیون نفر در بریتانیا به آن مبتلا هستند. اگرچه اکثر افراد مبتلا به آلزایمر بعد از سن 65 سالگی به آن مبتلا می‌شوند، افراد زیر این سن نیز می‌توانند به آن مبتلا شوند. شایع ترین علائم زوال عقل از دست دادن حافظه و مشکلات در تفکر، حل مسئله و زبان است. پزشکان در حال حاضر از مجموعه‌ای از آزمایش‌ها برای تشخیص بیماری آلزایمر استفاده می‌کنند، از جمله تست‌های بررسی حافظه و قدرت شناختی و اسکن مغز. این اسکن‌ها برای بررسی رسوبات پروتئینی در مغز و کوچک شدن ناحیه هیپوکامپ است، هیپوکامپ ناحیه‌ای از مغز است که با حافظه مرتبط است، بنابراین تغیر اندازه این ناحیه با بیماری آلزایمر در ارتباط است. همه این آزمایشات ممکن است چند هفته طول بکشد، هم ترتیب بررسی انجام آزمایش‌ها و هم پردازش داده‌های حاصل از آنها.

شیوه بکارگیری این رویکرد درمانی جدید

رویکرد جدید فقط به یکی از این موارد نیاز دارد - یک اسکن مغزی تصویربرداری تشدید مغناطیسی (MRI) که روی یک دستگاه استاندارد 1.5 تسلا که معمولاً در اکثر بیمارستان‌ها یافت می‌شود، گرفته می‌شود. در این روش، محققان الگوریتم‌شان را با الگوریتمی که برای استفاده در طبقه‌بندی تومورهای سرطانی توسعه یافته بود، تطبیق دادند و سپس آن را روی مغز اعمال کردند. آنها مغز را به 115 منطقه تقسیم کردند و 660 ویژگی مختلف مانند اندازه، شکل و بافت را برای ارزیابی هر منطقه اختصاص دادند. آنها سپس الگوریتم را آموزش دادند تا مشخص کند که تغییرات در این ویژگی‌ها کجا می‌تواند وجود بیماری آلزایمر را به دقت پیش‌بینی کند.

این تیم با استفاده از داده‌های حاصل از این ابتکار در تصویربرداری عصبی بیماری آلزایمر، این رویکرد را روی اسکن‌های مغزی بیش از 400 بیمار مبتلا به آلزایمر در مراحل اولیه و بعدی، افراد سالم و بیماران مبتلا به سایر بیماری‌های عصبی، از جمله زوال عقل فروتنومپورال و بیماری پارکینسون، آزمایش کردند. آنها همچنین رویکرد را روی داده های بیش از 80 بیمار تحت آزمایش های تشخیصی آلزایمر در Imperial College Healthcare NHS Trust آزمایش کردند.

پیش بینی افراد مبتلا به بیماری آلزایمر

شواهد آنها نشان دادکه که در 98 درصد موارد، سیستم یادگیری ماشینی مبتنی بر MRI به تنهایی می‌تواند به دقت پیش بینی کند که آیا بیمار به بیماری آلزایمر مبتلا شده است یا خیر. این نرم افزار همچنین توانست در 79 درصد بیماران، بین آلزایمر در مراحل اولیه و اواخر با دقت نسبتاً بالایی تمایز قائل شود.

پروفسور Eric Aboagye از دپارتمان جراحی و سرطان امپریال که رهبری این تحقیق را بر عهده داشت، گفت: "در حال حاضر هیچ روش ساده و گسترده دیگری نمی‌تواند بیماری آلزایمر را با این سطح از دقت پیش بینی کند، بنابراین تحقیقات ما در گام مهمی رو به جلو است. بسیاری از بیمارانی که با آلزایمر در کلینیک‌های حافظه مراجعه می‌کنند، بیماری‌های عصبی دیگری نیز دارند، اما حتی در این گروه از بیماران عصبی، سیستم ما می‌تواند بیمارانی را که آلزایمر دارند از کسانی که این بیماری را ندارند، را به خوبی تشخیص دهد.

سایر قابلیت‌های این رویکرد جدید

پروفسور Eric Aboagye  در ادامه گفت: "انتظار برای تشخیص می‌تواند یک تجربه وحشتناک برای بیماران و خانواده‌های آنها باشد. اگر بتوانیم با این ابتکار تصویربرداری عصبی بیماری آلزایمر، مدت زمانی را که باید منتظر بمانند کاهش دهیم و تشخیص را به فرآیندی ساده‌تر تبدیل کنیم و برخی از عدم قطعیت‌ها را کاهش دهیم، توانسته‌ایم از این طریق به این افراد کمک زیادی می‌کنیم. رویکرد جدید ما همچنین می‌تواند بیماران در مراحل اولیه را برای آزمایش‌های بالینی درمان‌های دارویی جدید یا تغییرات سبک زندگی شناسایی کند، که در حال حاضر انجام آن بسیار سخت است.

شناسایی تغییرات سایرمناطقی مغزی مرتبط با بیماری آلزایمر

سیستم جدید تغییراتی را در مناطقی از مغز که قبلاً با بیماری آلزایمر مرتبط نبودند، از جمله مخچه (بخشی از مغز که فعالیت بدنی را هماهنگ و تنظیم می‌کند) و دیانسفالون شکمی (مرتبط با حواس، بینایی و شنوایی) را مشاهده کند. بنابراین محققان می‌توانند با استفاده از این سیستم تحقیقاتی جدید، دریچه‌های جدیدی از راه‌های بالقوه در خصوص تحقیق در زمینه‌ شناخت بیماری‌های علوم اعصاب و ارتباط آنها با بیماری آلزایمر را شناسایی و بررسی کنند.

دقت تشخیص زوال عقل

دکتر آنتون پورستاینسون، استاد و مدیر برنامه مراقبت، تحقیق و آموزش بیماری آلزایمر (AD-CARE) در مرکز پزشکی دانشگاه روچستر، از نتایج آنها استقبال کرد و گفت: به نظر می‌رسد روش آنها پیش بینی کننده خوبی است، زیرا این روش با افزودن به تعداد تکنیک‌های تصویربرداری و بیومارکرهای مایع، تشخیص زوال عقل را دقیق تر می‌کند. این الگوریتم همچنین نسبت به معیارهایی که در حال حاضر مورد استفاده قرار می‌گیرند دقت بالاتری دارد، زیرا آتروفی هیپوکامپ و اندازه گیری بتا آمیلوئید مایع مغزی نخاعی (CSF) را که به ترتیب  با درصد دقت 26 و 62 نشان داد.

دکتر پرش مالهوترا که مشاور اعصاب در مرکز بهداشت و درمان دانشکده  امپریال و محقق دپارتمان علوم مغز همین مرکز گفت: «اگرچه نورو رادیولوژیست‌ها اسکن‌های MRI را برای کمک به تشخیص آلزایمر تفسیر می‌کنند، اما احتمالاً ویژگی‌هایی از اسکن‌ها وجود دارد که حتی برای متخصصان این رشته قابل مشاهده نیستند. به همین دلیل استفاده از یک الگوریتم با قابلیت انتخاب بافت و ویژگی‌های ساختاری ظریف در مغز که تحت تأثیر بیماری آلزایمر اتفاق میافتد، می‌تواند اطلاعاتی را که می‌توانیم از تکنیک‌های تصویربرداری استاندارد به دست آوریم، افزایش دهد.

پایان مطلب/.

:REF

https://scitechdaily.com/single-brain-scan-can-diagnose-alzheimers-disease-quickly-and-accurately

https://www.medicalnewstoday.com/articles/early-alzheimers-diagnosis-possible-in-a-single-mri-scan-using-new-algorithm
DOI: 10.1038/s43856-022-00133-4