Evaluatie van het gebruik van machine learning-technieken om neurodegeneratieve PARKinson-syndromen te classificeren (kunstmatige intelligentie) (PARKIA)

De diagnose van de ziekte van Parkinson (PD) steunt vooral op klinische observatie van de patiënt, op zoek naar de drie kenmerkende symptomen en blijft soms een echte uitdaging. Machine Learning (ML)-algoritmen kunnen helpen om PD vroegtijdig te diagnosticeren en idiopathische PD te onderscheiden van atypische Parkinson-syndromen.

In deze context leverde het werk van het team van Castillo-Barnes een reeks beeldvormende kenmerken op gebaseerd op morfologische kenmerken geëxtraheerd uit DaTSCAN® of Ioflupane (jodium-123-gelabelde radiofarmaceutische) single-photon emissie computertomografie (SPECT) scans om gezonde deelnemers te onderscheiden van deelnemers met de ziekte van Parkinson in een uitgebalanceerde set SPECT's uit de database "Parkinson's Progression Markers Initiative" (PPMI).

Het team van Shabii et al evalueerde de classificatieprestaties van Parkinson-patiënten en normale controles wanneer semi-kwantitatieve indicatoren en vormkenmerken verkregen op de dopaminetransporter (DAT) door Ioflupane (123I-IP) single-photon emissie computertomografie (SPECT) zijn gecombineerd als een functie voor machine learning (ML).

Op AI gebaseerde methoden kunnen diagnostische beoordelingen verbeteren. Verschillende onderzoeken naar dopaminerge beeldvorming met behulp van AI hebben een nauwkeurigheid tot 90% gerapporteerd voor de diagnose van PD.

Deze geautomatiseerde benaderingen maken gebruik van machinale leermethoden, gebaseerd op textuuranalyses, om (i) PD te onderscheiden van gezonde proefpersonen, (ii) PD en vasculair parkinsonisme te onderscheiden, en (iii) onderscheid te maken tussen verschillende vormen van atypisch parkinsonisme.

Een studie uitgevoerd in 2 centra waarbij gebruik werd gemaakt van een SVM-model (lineaire support vector machine) onderscheidde patiënten met PD en gezonde proefpersonen met een nauwkeurigheid van 82,5%. Deze prestatie is vergelijkbaar met visuele beoordeling door nucleair artsen. Een lineair SVM-model gebaseerd op parametrische beelden konden PD onderscheiden van vasculair parkinsonisme met een nauwkeurigheid van 90,4%. Het Nancy-team heeft uitgebreide ervaring met de detectie van PD in SPECT- en SPECT/CT-scans met Ioflupane of DaTSCAN™