Sumnja na Parkinsonovu bolest? Način crtanja otkriva bolest s 99 postotnom točnošću

Čini se da su znakovi upozorenja za Parkinsonovu bolest svuda oko nas. Znanstvenici su pronašli tragove nastanka bolesti u kosi, krvi i ušnom vosku. Način na koji govorite, vaše mentalno zdravlje, pa čak i mjesto stanovanja, pokazali su različite veze s tim stanjem koje utječe na kretanje i kontrolu mišića. No, unatoč potencijalu tih signala, Parkinsonova bolest, koja se smatra najbrže rastućim neurološkim poremećajem u svijetu u smislu invaliditeta i smrti, još se uvijek uvelike oslanja na kliničke procjene za formalnu dijagnozu. Nedostatak lako dostupnih, konačnih biomarkera također otežava ranu dijagnozu. Međutim, koncept testiranja opisan u časopisu Discover Computing mogao bi otkriti novi put prema naprijed. U studiji, tim istraživača u Indiji razvio je sustav temeljen na umjetnoj inteligenciji sposoban za otkrivanje Parkinsonove bolesti s nevjerojatnom točnošću, na temelju načina na koji su ljudi završili jednostavan test crtanja.

Kombinacija metoda

Analiza rukopisa i crteža smatra se obećavajućim neinvazivnim alatom za probir budućih bolesti, a znanstvenici je sve više uparuju s alatima umjetne inteligencije koji mogu otkriti znakove neurodegenerativnih stanja na temelju suptilnih znakova u vašem rukopisu. U eksperimentu koji je vodio prvi autor i računalni znanstvenik Ishan Ayus sa Sveučilišta Siksha ‘O‘ Anusandhan, istraživači su koristili podatke iz prethodne studije o Parkinsonovoj bolesti u Brazilu, u kojoj je sudjelovalo 66 sudionika. U tom skupu podataka, koji je obuhvaćao 31 osobu s Parkinsonovom bolešću i 35 zdravih osoba iz kontrolne skupine, sudionici su izvodili vježbe crtanja koristeći biometrijsku pametnu olovku koja je snimala slike koje su crtali, a istovremeno je bilježila signale pokreta njihove ruke. U testovima su sudionici pratili dvije vrste simbola: spiralne oblike i meandre (napravljene od neprekidnih linija uglatog oblika). Ayus i kolege zatim su slike i podatke senzora koje je snimila pametna olovka ubacili u niz različitih sustava dubokog učenja. Svaki je model procijenio prostorne nepravilnosti u nacrtanim spiralnim i meandarskim uzorcima, uz analizu suptilnih razlika u motoričkoj kontroli i koordinaciji ruku koje je zabilježila olovka.

Moćan SNAKE algoritam

Podaci su zatim obrađeni pomoću algoritma pod nazivom SNAKE, koji je uzeo u obzir i ponderirao različite evaluacije AI modela, prije nego što je konačno utvrdio je li svaki crtež izradila osoba s Parkinsonovom bolešću ili zdrava osoba iz kontrolne skupine. Prema istraživačima, njihova multimodalna postavka nadmašuje nekoliko drugih AI sustava koji su se prethodno koristili za otkrivanje Parkinsonove bolesti iz testova rukopisa i crtanja, ispravno identificirajući meandraste uzorke s točnošću od 98,95 posto i spiralne uzorke s točnošću od 97,74 posto.

Tim pripisuje svoje rezultate mogućnostima SNAKE algoritma, koji uravnotežuje predviđanja različitih sustava dubokog učenja koristeći model ponderiran točnošću, a također i dvostrukim očitanjima mjerenja koje pružaju pametne olovke.

- Rukom pisane slike pružaju prostorne karakteristike nepravilnosti udara, izobličenja uzrokovanih tremorom i odstupanja oblika. Nasuprot tome, signali rukopisa temeljeni na senzorima bilježe temporalno motoričko ponašanje koje uključuje fluktuacije brzine, nedosljednosti tlaka i deficite koordinacije – napisali su istraživači.

Put prema lakšoj dijagnozi

Istraživači priznaju da mali uzorak, samo 66 ljudi, ne odražava točno kliničku raznolikost Parkinsonove bolesti u velikim populacijama te kažu da bi njihove nalaze trebalo shvatiti kao znak potencijala predloženog modela, a ne kao čvrst dokaz njegove dijagnostičke učinkovitosti. Ipak, smatraju da njihov model predstavlja obećavajući novi put za otkrivanje Parkinsonove bolesti korištenjem ovakvih metoda, a uz validaciju u većim kliničkim ispitivanjima, tim smatra da bi njihov postupak mogao igrati važnu ulogu u omogućavanju lakše dijagnoze bolesti. U svakom slučaju, studija pokazuje rastuću ulogu umjetne inteligencije u ranom i pristupačnom probiru neuroloških poremećaja. Predloženi model mogao bi doprinijeti neinvazivnom, jeftinom i daljinski dostupnom neurološkom probiru te podršci u donošenju kliničkih odluka.