< sve vesti
Veštačka inteligencija (AI) primenjena na MR podatke: primena kod ključnih izazova multiple skleroze (MS)
19. jun 2024.
Veštačka inteligencija (AI) je naučna oblast usmerena na stvaranje algoritama koji mogu da izvršavaju zadatke koji obično zahtevaju ljudsku inteligenciju. U medicini je došlo do ogromnog porasta upotrebe AI zahvaljujući sve moćnijim računarima i velikim bazama podataka. Multipla skleroza (MS) je hronično autoimuno oboljenje koje zahvata centralni nervni sistem (CNS) sa složenom patogenezom i izazovnim dijagnostičkim procesom koji se snažno oslanja na magnetnu rezonancu (MR) i karakteriše je visoka i uglavnom neobjašnjiva varijabilnost među pacijentima. Stoga, primena AI u MS ima veliki potencijal da nam pomogne da bolje postavimo dijagnozu, pronađemo odgovarajuće markere za prognozu, dizajniramo bolja randomizovana klinička istraživanja (RCT), poboljšamo upravljanje pacijentima u kliničkoj praksi i na kraju bolje razumemo mehanizme bolesti.
Studija Collorone i koautora (1) ima za cilj da sumira nedavni napredak u AI primenjen na MR kod MS, ističući ključne karakteristike najreprezentativnijih studija u ovoj oblasti, za razliku od drugih, opširnih pregleda koji su nedavno publikovani (2) (3).
Dijagnoza MS
Dijagnoza MS se oslanja na integraciju kliničkih, MR i laboratorijskih nalaza za dokazivanje diseminacije bolesti u prostoru i vremenu i isključenju diferencijalnih dijagnoza, posebno u prisustvu tzv. crvenih zastavica (4).
U ovim okolnostima upotreba AI algoritama za postizanje tačne dijagnoze može biti veoma korisno. U 2016. godini, Eshaghi i kolege (5) koristili su model mašinskog učenja (ML) za izdvajanje 157 karakteristika T1W slika za razlikovanje MS (N = 25) od neuromijelitis optika spektra bolesti (NMOSD) (N = 30) i zdravih kontrola (HCs) (N = 35). ML model je postigao tačnost od 74%, otvarajući nove mogućnosti korišćenja ML za diferencijalnu dijagnozu MS.
Rocca i kolege upoređivali su tačnost modela dubokog učenja (DL) sa T1W i T2W slika zasnovanih na konvolucionim neuronskim mrežama (CNN) sa onim koje su postavila dva iskusna neuroradiologa kako bi svrstali pacijente u različita stanja: MS (N = 70), NMOSD (N = 91), vaskulitis CNS (N = 51) ili migrena (N = 56) (6). U svim okolnostima, DL model je postigao veću preciznost (oko 90% ili više) nego neuroradiolozi. Nedavno su Seok i kolege (7) takođe koristili DL model na osnovu CNN-a da se napravi razlika između MS (N = 86) i NMOSD (N = 70) koristeći trodimenzionalne (3D) slike sa oslabljenom inverzijom (FLAIR) i dobijanje 76,1% tačnosti.
Predviđanje toka MS
Tokom godina, opservacione studije su identifikovale MR prediktore lošije prognoze uključujući veći broj demijelinizirajućih lezija, (8) prisustvo infratentorijalnih (9) kortikalnih (10), lezija kičmene moždine (11) ili novih lezija u kratkoročnom praćenju (11). Iz ovoga se lako može zaključiti da postoji veliki potencijal da AI modeli daju značajan doprinos.
Relapsi
Samo nekoliko studija je koristilo AI metodologije za predviđanje rizika od budućih relapsa na početku MS. Među najrelevantnijim publikacijama je studija autora Wottschel i saradnika (12) koji je primenio modele ML na morfometrijska merenja sa MR (i T1W i FLAIR/T2 slike) i 400 osoba na početku simptoma kako bi se predvideo nastanak drugog relapsa, preko 1 godine, postižući tačnost od 71%. Druga studija (13) je sprovedena kod 364 osoba sa prvim demijelinizujućim atakom koji je takođe koristio ML za predviđanje drugog kliničkog napada zasnovano na MR snimcima (T1W nakon administracije gadolinijuma i T2W) postižući tačnost od 70%.
Akumulacija onesposobljenosti
Predviđanje akumulacije onesposobljenosti kod osoba sa MS je postalo prioritet za naučnu zajednicu poslednjih godina (14) jer ovo predviđanje ima uticaj na ordiniranu terapiju. Među AI studijama koje su se fokusirale na srednjeročna predviđanja izdvaja se studija autora Tousignant i kolega (15) kao DL model koji koristi multimodalne MR podatke (T1W, T2W, T2-FLAIR i postkontrastne T1W slike) od 465 osoba sa MS iz placebo grupa (RCT) kao ulazne podatke za predviđanje progresije bolesti nakon 1 godine praćenja.
Godine 2020, studija autora Roca i saradnika (16) je procenila performanse DL CNN modela uz koji je korišćenje pola, starosti i T2-FLAIR sekvence kod 971 osobe sa MS za predviđanje EDSS skora nakon 2 godine praćenja. Njihov model je pokazao umerene performanse (prosečna greška EDSS rezultata: 1,7), što je bilo gore za veoma niske ili visoke EDSS vrednosti. Konačno, kod dugoročnog predviđanja progresije onesposobljenosti korišćenjem DL modela, Zhao i saradnici (17) izgradili su seriju ML modela za predviđanje progresije onesposobljenosti (binarni izlaz) u 5-godišnjem praćenju kod 1693 osoba sa MS. Podaci za unos bile su baseline i kratkoročno praćenje, klinički i MR podaci (T2W slike). Treba napomenuti da je najbolja tačnost postignuta kada je model uključivao i MR i kliničke podatke iz sa baseline-a i praćenja (oko 75%).
Istraživanje mehanizma bolesti
Patofiziološki procesi u osnovi progresije bolesti u MS nisu u potpunosti shvaćeni i veruje se da su veoma heterogeni među različitim pacijentima i stadijumima bolesti. Razumevanje mehanizama bolesti uz pomoć AI tehnologije se uglavnom fokusira na 2 strategije, to su nezavisni ML modeli (modeli mašinskog učenja) i DL mape pažnje (modeli dubokog učenja). Među studijama koje koriste prvu strategiju, autor Eshaghi i kolege (18) su primenili nezavisne ML modele (SuStaIn) (19) na MR snimke (T1W, T2W, T2-FLAIR) kod 6322 osoba sa MS kako bi utvrdli različite longitudinalne obrasce patologije mozga. Ovaj model su kasnije primenili Pontillo i kolege (20) na različitoj kohorti od 425 osoba sa MS uz korišćenje T1W i T2 FLAIR sekvence. Njihova studija je pronašla 2 obrasca bolesti umesto 3 kao kod Eshgai i kolege i da je obrazac koji ima duboke lezije sive mase povezane sa T2 oštećenjima ukazuje na lošiju prognozu. Ovakve studije demonstriraju potencijal AI algoritama da obezbede precizniju stratifikaciju pacijenata koja je pouzdana biološki i ima prognostički značaj (18) (20).
Zaključci
Upotreba AI u MS je ostvarila značajan napredak u poslednje vreme. Raste prepoznavanje značaja i potencijala AI da doprinese dijagnostici, monitoringu i predviđanju toka bolesti u MS. Ipak, postoji veći broj izazova koji su i dalje prisutni u AI istraživanju i verovatno su odgovorni za veliki zjap između AI istraživanja i njihove primene u praksi. Jedan od izazova pri korišćenju AI u dijagnostici, monitoringu i prognozi MS je kvalitat ulaznih podataka. Standardizovani MR protokoli i prikupljanje tačnih podataka su esencijalni za razvijanje pouzdanih AI modela. Još jedan izazov je obezbeđivanje reproducibilnosti metodologije korišćene u AI studijama posebno uzimajući u obzir različite MR aparate i imidzing kriterijume u različitim centrima. Sposobnost da reprodukuju i validiraju rezultate su ključ u prihvatanju i integraciji AI u kliničkoj praksi. I dodatno bi trebalo obraiti pažnju na etičke probleme pri primeni AI u dijagnostici, monitoringu i prognozi MS. Brige oko privatnosti, bezbednosti podataka i potencijalnim pristrasnostima u algoritmima moraju se adresirati kako bi se obezbedilo ispunjenje etičkih standarda. Svakako postoji veliki broj mogućnosti u primeni AI u MS istraživanju i kliničkoj praksi i postoji nada da će se ovi izazovi brzo prevazići. U budućnosti AI može pomoći u kreiranju boljeg dizajna kliničkih studija i dubljeg razumevanja mehanizama koji stoje iza ireverzibilne akumulacije onesposobljenosti, što bi dovelo do efektivijeg lečenja.
Autor:
Doc. dr Dejan Aleksić
Klinika za neurologiju UKC Kragujevac
Reference:
1. Collorone S, Coll L, Lorenzi M, et al. Artificial intelligence applied to MRI data to tackle key challenges in multiple sclerosis. Multiple Sclerosis Journal. 2024;0(0). doi:10.1177/13524585241249422
2. Bonacchi R, Filippi M and Rocca MA. Role of artificial intelligence in MS clinical practice.NeuroImage Clin 2022; 35: 103065.
3. Naji Y, Mahdaoui M, Klevor R, et al. Artificial intelligence and multiple sclerosis: Up-to-date review.Cureus 2023; 15(9): e45412.
4. Thompson AJ, Banwell BL, Barkhof F, et al. Diagnosis of multiple sclerosis: 2017 revisions of the McDonald criteria. Lancet Neurol 2018; 17: 162–173.
5. Eshaghi A, Wottschel V, Cortese R, et al. Gray matter MRI differentiates neuromyelitis optica from multiple sclerosis using random forest. Neurology 2016; 87: 2463–2470
6. Rocca MA, Anzalone N, Storelli L, et al. Deep learning on conventional magnetic resonance imaging improves the diagnosis of multiple sclerosis mimics. Invest Radiol 2021; 56: 252–260.
7. Seok JM, Cho W, Chung YH, et al. Differentiation between multiple sclerosis and neuromyelitis optica spectrum disorder using a deep learning model. Sci Rep 2023; 13: 11625.
8. Tintore M, Rovira À, Río J, et al. Defining high, medium and low impact prognostic factors for developing multiple sclerosis. Brain 2015; 138(Pt 7): 1863–1874.
9. Chung KK, Altmann D, Barkhof F, et al. A 30-year clinical and magnetic resonance imaging observational study of multiple sclerosis and clinically isolated syndromes. Ann Neurol 2020; 87(1): 63–74
10. Scalfari A, Romualdi C, Nicholas RS, et al. The cortical damage, early relapses, and onset of the progressive phase in multiple sclerosis. Neurology 2018; 90: e2107–e2118.
11. Brownlee WJ, Altmann DR, Prados F, et al. Early imaging predictors of long-term outcomes in relapseonset multiple sclerosis. Brain 2019; 142: 2276–2287.
12. Wottschel V, Chard DT, Enzinger C, et al. SVM recursive feature elimination analyses of structural brain MRI predicts near-term relapses in patients with clinically isolated syndromes suggestive of multiple sclerosis. NeuroImage Clin 2019; 24:102011.
13. Bendfeldt K, Taschler B, Gaetano L, et al. MRI-based prediction of conversion from clinically isolated syndrome to clinically definite multiple sclerosis using SVM and lesion geometry. Brain Imaging Behav 2019; 13(5): 1361–1374.
14. Tintore M, Rovira À, Río J, et al. Defining high, medium and low impact prognostic factors for developing multiple sclerosis. Brain 2015; 138(Pt 7): 1863–1874.
15. Tousignant A, Lemaître P, Precup D, et al. Prediction of disease progression in multiple sclerosis patients using deep learning analysis of MRI data. Proc Mach Learn Res 2019; 102: 483–492.
16. Roca P, Attye A, Colas L, et al. Artificial intelligence to predict clinical disability in patients with multiple sclerosis using FLAIR MRI. Diagn Interv Imaging 2020; 101(12): 795–802.
17. Zhao Y, Healy BC, Rotstein D, et al. Exploration of machine learning techniques in predicting multiple sclerosis disease course. PLoS ONE 2017; 12(4): e0174866.
18. Eshaghi A, Young AL, Wijeratne PA, et al. Identifying multiple sclerosis subtypes using unsupervised machine learning and MRI data. Nat Commun 2021; 12: 2078.
19. Young AL, Marinescu RV, Oxtoby NP, et al. Uncovering the heterogeneity and temporal complexity of neurodegenerative diseases with subtype and stage inference. Nat Commun 2018; 9: 4273.
20. Pontillo G, Penna S, Cocozza S, et al. Stratification of multiple sclerosis patients using unsupervisedmachine learning: A single-visit MRI-drivenapproach. Eur Radiol 2022; 32(8): 5382–5391.