Ocena wykorzystania technik uczenia maszynowego do klasyfikacji neurodegeneracyjnych zespołów PARKinsonowskich (sztuczna inteligencja) (PARKIA)

Rozpoznanie choroby Parkinsona (ChP) opiera się głównie na obserwacji klinicznej pacjenta, poszukiwaniu trzech charakterystycznych objawów i niekiedy stanowi nie lada wyzwanie. Algorytmy uczenia maszynowego (ML) mogą pomóc we wczesnym diagnozowaniu PD i różnicowaniu idiopatycznej PD od atypowych zespołów parkinsonowskich.

W tym kontekście praca zespołu Castillo-Barnes dostarczyła zestawu cech obrazowania opartych na cechach morfologicznych uzyskanych z DaTSCAN® lub Ioflupanu (radiofarmaceutyk znakowany jodem-123) skanów tomografii emisyjnej pojedynczego fotonu (SPECT) w celu rozpoznania zdrowych uczestników od uczestników z chorobą Parkinsona w zrównoważonym zestawie SPECT z bazy danych „Parkinson's Progression Markers Initiative” (PPMI).

Zespół Shabii i wsp. ocenił wyniki klasyfikacji pacjentów z chorobą Parkinsona i zdrowych osób kontrolnych, gdy półilościowe wskaźniki i cechy kształtu uzyskane na transporterze dopaminy (DAT) za pomocą tomografii komputerowej emisji pojedynczych fotonów Ioflupanu (123I-IP) (SPECT) są połączone jako funkcja uczenia maszynowego (ML).

Metody oparte na sztucznej inteligencji mogą poprawić oceny diagnostyczne. Kilka badań obrazowania dopaminergicznego z wykorzystaniem sztucznej inteligencji wykazało dokładność do 90% w diagnostyce PD.

Te zautomatyzowane podejścia wykorzystują metody uczenia maszynowego, oparte na analizach teksturalnych, w celu (i) rozróżnienia PD i osób zdrowych, (ii) rozróżnienia PD i parkinsonizmu naczyniowego oraz (iii) rozróżnienia różnych postaci atypowego parkinsonizmu.

Badanie przeprowadzone w 2 ośrodkach przy użyciu modelu liniowej maszyny wektorów nośnych (SVM) umożliwiło rozróżnienie pacjentów z chorobą Parkinsona i osób zdrowych z dokładnością 82,5%. Wydajność ta jest podobna do oceny wizualnej przeprowadzanej przez lekarzy medycyny nuklearnej Liniowy model SVM oparty na wartościach wokseli statystycznych obrazy parametryczne były w stanie odróżnić PD od parkinsonizmu naczyniowego z dokładnością 90,4%. Zespół Nancy ma duże doświadczenie w wykrywaniu PD w skanach SPECT i SPECT/CT za pomocą Ioflupane lub DaTSCAN™