FLERE BILDER: – Den store forskjellen så vi når modellen ble kjørt på nytt. Dette er et mye bedre mål på sykdomsutvikling enn hjerneatrofi, sier Einar August Høgestøl til Dagens Medisin. Her avbildet under ECTRIMS i Stockholm, 2019.

Foto: Lasse Moe

– AI-estimert hjernealder er bedre sykdomsmål enn atrofi

Forskere ved OUS og Karolinska bruker maskinlæring (AI) for å estimere hjernealder hos MS-pasienter. Med hjelp fra Sverige har de nå inkludert MR-bilder fra over 1500-MS-pasienter.

Publisert

Denne artikkelen er mer enn to år gammel.

DAGENS MEDISIN: (ECTRIMS): En norskledet studie som benytter maskinlæring (AI) for å estimere hjernealder for MS-pasienter viser at MS-pasienter i snitt hadde 6.5 år høyere skår enn friske personer i kontrollgruppen.

MS-pasientene hadde også 22 prosent høyere økning i hjernealder per år, sammenlignet med forventet kronologisk aldring.

Studien er presentert av Einar August Høgestøl ved MS-forskningsgruppen på Oslo universitetssykehus og forskningssenteret NORMENT (Norwegian Centre for Mental Disorders Research).

Det er tredje gang at Høgestøl presenterer en poster under ECTRIMS på hjernealder.

Studien har nå fått drahjelp fra Karolinska, som bidrar med et veldig stort datamateriale.

Abstractet til studien finner du her, ved å søke på P450.

Først presentert i 2018
At hjernealder kunne vært en mulig prognostisk markør, ble klart under ECTRIMS i 2018 i Berlin. Da presenterte Høgestøl de første resultatene muntlig, ved å bruke maskinlæring for å lære en datamaskin til å estimere hjernealderen til MS-pasienter.

Se et videointervju her, hvor Høgestøl presenterer den prediktive markøren.

Høgestøl forklarer til Dagens Medisin at de etter presentasjonen på ECTRIMS i 2018 fikk med seg professor Fredrik Piehl og Tobias Granberg ved Karolinska Institutet, for å samarbeide om tilgang på en mye større pasientkohort.

Slik har prosjektet til Høgestøl nå gått fra 76 MS-pasienter, til over 1500 MS-pasienter, og 800 friske kontroller. 

Stort materiale
– Totalt har vi i dette arbeidet gjennomgått nesten 6000 bilder i maskinlæringsalgoritmen i tillegg til de 35000 som er brukt for å trene opp modellen sier Høgestøl til Dagens Medisin. 

Han forteller at det store datasettet fører til et helt annet bilde, og mener hjernealder nå er en vesentlig skår som sier noe om sykelighet ved MS.

– Den store forskjellen så vi når modellen ble kjørt på nytt. Dette er et mye bedre mål på sykdomsutvikling enn hjerneatrofi.

I posteren som forskerne presenterer på kongressen viser de med lineær regresjon ulike korrelasjonsanalyser mellom EDSS og henholdsvis hjernealder og de etablerte atrofi-markørene hjernevolum og normalisert hjernevolum (der man har tatt høyde for størrelsen på hodet).

Hjernealder oppnådde korrelasjonsskår 0.39, mens BPF og volum hadde 0.22 og 0.19 i skår.

Konklusjonen i studien er derfor at hjernealder er en bedre bildemarkør for nevrodegenerasjon for MS-pasienter.

Neste steg: Dyplæring
– Vi tenker på å bredde denne teknologien ut til resten av verden, og vil derfor benytte dyplæring (nevrale nettverk) for å kjøre analysene av nye bilder raskere. Slik sett vil man kunne ta et MR-bilde og analysere det i algoritmen, slik at man etter noen minutter kan få ut en satt hjernealder, sier Høgestøl. 

Han forklarer at maskinlæring krever at man prepper alle bildene med tidkrevende analyser, for at algoritmen skal kunne lese av hjernealder. Ved hjelp av algoritmer for nevrale nettverk, er målet at datamaskinene skal kunne gjøre all preppen av bilder helt selv. 

Høgestøl opplyser at de håper å få sendt inn en artikkel om maskinlæringsprosjektet til vurdering The Lancet Neurology i nær fremtid.

I tillegg er han del av en større forskningsgruppe, NORMENT, som forsker på dyplæring innen flere hjernesykdommer. Forhåpentlig vil de snart sende inn en artikkel til Nature Neuroscience om bruk av nevrale nettverk, blant annet på estimering av hjernealder – sammen med tilsvarende forskning på en rekke andre hjernehelsesykdommer.

Powered by Labrador CMS