Evaluierung des Einsatzes maschineller Lerntechniken zur Klassifizierung neurodegenerativer PARKinson-Syndrome (Künstliche Intelligenz) (PARKIA)

Die Diagnose der Parkinson-Krankheit (PD) beruht hauptsächlich auf der klinischen Beobachtung des Patienten auf der Suche nach den drei charakteristischen Symptomen und bleibt manchmal eine echte Herausforderung. Algorithmen des maschinellen Lernens (ML) könnten dabei helfen, die Parkinson-Krankheit frühzeitig zu diagnostizieren und die idiopathische Parkinson-Krankheit von atypischen Parkinson-Syndromen zu unterscheiden.

In diesem Zusammenhang stellte die Arbeit des Castillo-Barnes-Teams eine Reihe von Bildgebungsfunktionen bereit, die auf morphologischen Merkmalen basieren, die aus Einzelphotonen-Emissions-Computertomographie-Scans (SPECT) mit DaTSCAN® oder Ioflupan (Jod-123-markiertes Radiopharmazeutikum) extrahiert wurden, um gesunde Teilnehmer zu erkennen von Teilnehmern mit Parkinson-Krankheit in einem ausgewogenen Satz von SPECTs aus der Datenbank „Parkinson's Progression Markers Initiative“ (PPMI).

Das Team von Shabii et al. bewertete die Klassifizierungsleistung von Parkinson-Patienten und normalen Kontrollpersonen anhand semiquantitativer Indikatoren und Formmerkmale, die auf dem Dopamintransporter (DAT) mittels Ioflupane (123I-IP)-Einzelphotonen-Emissions-Computertomographie (SPECT) ermittelt wurden kombiniert als Funktion des maschinellen Lernens (ML).

KI-basierte Methoden können die diagnostische Beurteilung verbessern. Mehrere dopaminerge Bildgebungsstudien mit KI haben eine Genauigkeit von bis zu 90 % für die Diagnose von Parkinson berichtet.

Diese automatisierten Ansätze nutzen Methoden des maschinellen Lernens, die auf Texturanalysen basieren, um (i) Parkinson-Krankheit und gesunde Probanden zu unterscheiden, (ii) Parkinson-Krankheit und vaskulären Parkinsonismus zu unterscheiden und (iii) zwischen verschiedenen Formen des atypischen Parkinsonismus zu unterscheiden.

Eine in zwei Zentren durchgeführte Studie unter Verwendung eines SVM-Modells (Linear Support Vector Machine) unterschied Patienten mit Parkinson-Krankheit und gesunden Probanden mit einer Genauigkeit von 82,5 %. Diese Leistung ähnelt der visuellen Beurteilung durch Nuklearmediziner. Ein lineares SVM-Modell basiert auf statistischen Voxelwerten Mithilfe parametrischer Bilder konnte die Parkinson-Krankheit mit einer Genauigkeit von 90,4 % von vaskulärem Parkinsonismus unterschieden werden. Das Nancy-Team verfügt über umfangreiche Erfahrung in der Erkennung von PD in SPECT- und SPECT/CT-Scans mit Ioflupane oder DaTSCAN™