Η τεχνητή νοημοσύνη αποκαλύπτει τα μυστικά της γήρανσης του εγκεφάλου

περίληψη: Χρησιμοποιώντας τεχνητή νοημοσύνη, οι ερευνητές ανέπτυξαν τον HistoAge, έναν αλγόριθμο που προβλέπει την ηλικία κατά τον θάνατο και ξετυλίγει τα μυστήρια της γήρανσης του εγκεφάλου και των νευροεκφυλιστικών διαταραχών.

Αναλύοντας σχεδόν 700 ψηφιακά τμήματα του ιππόκαμπου από ηλικιωμένους δότες εγκεφάλου, το εργαλείο προβλέπει την ηλικία με εκπληκτική ακρίβεια και εντοπίζει περιοχές ευάλωτες σε αλλαγές που σχετίζονται με την ηλικία. Αξιοσημείωτα, το HistoAge έδειξε ισχυρή συσχέτιση με τη γνωστική εξασθένηση και τις ανωμαλίες τύπου Alzheimer, παρέχοντας ένα αξιόπιστο μέτρο για τη διερεύνηση της εξέλιξης του νευροεκφυλισμού.

Αυτό το καινοτόμο μοντέλο προσφέρει έναν μεταμορφωτικό φακό για την κατανόηση της γήρανσης του εγκεφάλου, αντιπροσωπεύοντας ένα σημαντικό βήμα προς την αποκωδικοποίηση και τον δυνητικό περιορισμό του νευροεκφυλισμού που επιταχύνεται με την ηλικία.

Βασικά στοιχεία:

1. Καινοτόμος πρόβλεψη γήρανσης: Ο αλγόριθμος HistoAge προβλέπει την ηλικία κατά το θάνατο με μέση ακρίβεια 5,45 ετών, αναλύοντας την κυτταρική σύνθεση δειγμάτων ανθρώπινου εγκεφαλικού ιστού.
2. Ιστολογική ηλικία και νευρωνικές συσχετίσεις: Η επιτάχυνση ηλικίας με βάση το HistoAge δείχνει ισχυρούς συσχετισμούς με τη γνωστική εξασθένηση, την εγκεφαλοαγγειακή νόσο και τη συσσώρευση πρωτεϊνών τύπου Alzheimer, υπερβαίνοντας τα τρέχοντα μέτρα επιτάχυνσης ηλικίας, όπως η μεθυλίωση του DNA.
3. Η Τεχνητή Νοημοσύνη ως επαναστατικό εργαλείο: Το HistoAge όχι μόνο προσφέρει ένα νέο παράδειγμα για την αξιολόγηση της γήρανσης και του νευροεκφυλισμού σε ανθρώπινα δείγματα, αλλά προσφέρει επίσης ένα ισχυρό και αμερόληπτο μέτρο που μπορεί να εφαρμοστεί ευρέως σε ερευνητικά εργαστήρια, διευκολύνοντας έτσι τη βαθύτερη κατανόηση των κυτταρικών αλλαγών που υποκρύπτουν τις εκφυλιστικές ασθένειες.

πηγή: Όρος Σινά

Ο γερασμένος εγκέφαλος υφίσταται δομικές και κυτταρικές αλλαγές που μπορούν να επηρεάσουν τη λειτουργία και να αυξήσουν την ευαισθησία σε νευροεκφυλιστικές διαταραχές όπως η νόσος του Αλτσχάιμερ.

Η επιτάχυνση της ηλικίας – ή οι διαφορές μεταξύ βιολογικής και χρονολογικής ηλικίας – στον εγκέφαλο μπορεί να αποκαλύψει ιδέες για τους φυσιολογικούς μηχανισμούς και τις λειτουργίες ενός από τα πιο σημαντικά όργανα του σώματος.

Μπορεί επίσης να εξηγήσει τις αλλαγές που σχετίζονται με την ηλικία και τη λειτουργική έκπτωση, καθώς και να εντοπίσει πρώιμες αλλαγές που σχετίζονται με την ασθένεια, υποδεικνύοντας την έναρξη μιας εγκεφαλικής διαταραχής.

Οι ερευνητές στο όρος Σινά λένε ότι χρησιμοποίησαν τεχνητή νοημοσύνη, για πρώτη φορά, για να αναπτύξουν έναν αλγόριθμο που ονομάζουν «HistoAge» που προβλέπει την ηλικία κατά το θάνατο με βάση την κυτταρική σύνθεση δειγμάτων ανθρώπινου εγκεφαλικού ιστού με μέση ακρίβεια 5,45 ετών. Αυτό το ισχυρό εργαλείο μπορεί επίσης να εντοπίσει νευροανατομικές περιοχές που είναι επιρρεπείς σε αλλαγές που σχετίζονται με την ηλικία, δείκτης πιθανής γνωστικής παθολογίας.

πως:

Οι ερευνητές εξέτασαν μια συλλογή από σχεδόν 700 ψηφιακές εικόνες φετών με τμήματα ανθρώπινου ιππόκαμπου από ηλικιωμένους δότες για να αναπτύξουν έναν ιστολογικό αλγόριθμο εκτίμησης της ηλικίας του εγκεφάλου.

Ο ιππόκαμπος είναι γνωστό ότι εμπλέκεται τόσο στη γήρανση του εγκεφάλου όσο και στις νευροεκφυλιστικές ασθένειες που εξαρτώνται από την ηλικία, και ως εκ τούτου αποτελεί ιδανική περιοχή για αυτήν την ανάλυση.

Στη συνέχεια, η ομάδα εκπαίδευσε ένα μοντέλο μηχανικής μάθησης για να εκτιμήσει την ηλικία ενός ατόμου κατά το θάνατο με βάση αποκλειστικά το ψηφιακό τμήμα, μια εργασία που είναι αδύνατο για έναν ανθρώπινο παρατηρητή να κάνει με οποιοδήποτε βαθμό ακρίβειας. Χρησιμοποίησαν τη διαφορά μεταξύ της προβλεπόμενης ηλικίας του μοντέλου και της πραγματικής ηλικίας για να υπολογίσουν το μέγεθος της επιτάχυνσης της ηλικίας στον εγκέφαλο.

Αποτελέσματα:

Σε σύγκριση με τα υπάρχοντα μέτρα επιτάχυνσης της ηλικίας (π.χ. μεθυλίωση DNA), διαπίστωσαν ότι η επιτάχυνση ηλικίας με βάση το HistoAge είχε ισχυρότερους συσχετισμούς με γνωστική εξασθένηση, εγκεφαλοαγγειακή νόσο και επίπεδα μη φυσιολογικής συσσώρευσης εκφυλιστικής πρωτεΐνης τύπου Alzheimer.

Η μελέτη διαπίστωσε ότι το μοντέλο HistoAge είναι ένα αξιόπιστο και ανεξάρτητο μέτρο για τον προσδιορισμό της ηλικίας του εγκεφάλου και την κατανόηση των παραγόντων που οδηγούν σε νευροεκφυλισμό με την πάροδο του χρόνου.

Γιατί είναι ενδιαφέρουσα η έρευνα;:

Το μοντέλο HistoAge και άλλοι παρόμοιοι αλγόριθμοι που θα ακολουθήσουν, αντιπροσωπεύουν ένα εντελώς νέο παράδειγμα για την αξιολόγηση της γήρανσης και του νευροεκφυλισμού σε ανθρώπινα δείγματα και μπορεί εύκολα να αναπτυχθεί σε μεγάλη κλίμακα σε κλινικά και μεταφραστικά ερευνητικά εργαστήρια, είπαν οι ερευνητές. Επιπλέον, αυτή η προσέγγιση παρέχει πιο αυστηρές, αμερόληπτες και ισχυρές μετρήσεις των κυτταρικών αλλαγών που υποκρύπτουν τις εκφυλιστικές ασθένειες.

Στη συνέχεια, η ομάδα θα δημιουργήσει μια πολυκεντρική συνεργασία για να αναπτύξει ένα μεγάλο σύνολο δεδομένων με δυνατότητα τεχνητής νοημοσύνης που θα χρησιμοποιηθεί για την ανάπτυξη πιο ισχυρών μοντέλων τεχνητής νοημοσύνης που έχουν τη δυνατότητα να μεταμορφώσουν και να βελτιώσουν την κατανόησή μας για τις ασθένειες του εγκεφάλου.

Ο Δρ. Crary του Mount Sinai είπε σχετικά με την έρευνα: «Ο αποδιοργανωτικός αντίκτυπος της τεχνητής νοημοσύνης στην έρευνα του εγκεφάλου είναι μια αλλαγή παραδείγματος που μας ωθεί προς την επόμενη γενιά θεραπειών. Το μοντέλο HistoAge θα μας επιτρέψει να αποκαλύψουμε κρίσιμες αιτιολογικές πτυχές εξουθενωτικών εγκεφαλικών ασθενειών όπως το Αλτσχάιμερ.

Ο Δρ. Φάρελ του Mount Sinai είπε για την έρευνα: «Η χρήση υπολογιστικών μεθόδων αιχμής, όπως η τεχνητή νοημοσύνη, σε δείγματα ανθρώπινου ιστού από τις τεράστιες και ποικίλες συλλογές του Όρους Σινά είναι μεταμορφωτική στον τρόπο με τον οποίο αξιολογούμε τις ανθρώπινες ασθένειες. Το νέο μας μοντέλο HistoAge είναι μόνο ένα παράδειγμα του πώς η τεχνητή νοημοσύνη ανοίγει το δρόμο για περαιτέρω ανακαλύψεις σχετικά με τους μηχανισμούς γήρανσης και νευροεκφυλισμού.

“Η τεχνητή νοημοσύνη χρησιμοποιείται όλο και περισσότερο από κλινικούς επιστήμονες σε ερευνητικά και διαγνωστικά περιβάλλοντα. Είναι ένα εργαλείο που φέρνει επανάσταση στην ιατρική και είμαστε ενθουσιασμένοι που είμαστε ηγέτες σε αυτόν τον τομέα, εργαζόμαστε για τη βελτίωση της μηχανικής μάθησης – όχι για να αντικαταστήσουμε τη δέσμευση του συστήματος υγείας μας για συμπόνια φροντίδα, αλλά για τη βελτίωση της διάγνωσης και της θεραπείας για όλους τους ασθενείς».

Ο Δρ Marks του Mount Sinai είπε σχετικά με την έρευνα: “Αυτό το μοντέλο ανοίγει την πόρτα σε μια πλειάδα συναρπαστικών και θεμελιωδών αναλύσεων που μας φέρνουν πιο κοντά στην κατανόηση της γήρανσης του εγκεφάλου και των εγκεφαλικών ασθενειών που σχετίζονται με την ηλικία, όπως η νόσος του Αλτσχάιμερ. Αυτή είναι η πρώτη φορά που έχουμε μπόρεσε να βάλει έναν αριθμό για την έκταση της γήρανσης του εγκεφάλου στην Παθολογία.

«Με αυτήν την προσέγγιση, μπορούμε να ανακαλύψουμε γονίδια που προστατεύουν από τη γήρανση του εγκεφάλου ή γονίδια που επιδεινώνουν τη γήρανση στον εγκέφαλο, καθώς και να ανακαλύψουμε περιβαλλοντικούς παράγοντες κινδύνου που κάνουν τον εγκέφαλο των ατόμων να γερνά πιο γρήγορα».

Χρηματοδότηση: Η μελέτη υποστηρίχθηκε από τη χρηματοδότηση από τα Εθνικά Ινστιτούτα Υγείας (R01AG054008, R01NS095252, R01AG060961, R01NS086736, P30AG066514, P50AG005138, R01AG062348, U24MH100931, και K01AG070 Κέντρο Έρευνας Ασθενειών (P30 AG0 66514), Οικογενειακό Κέντρο Winspear για Έρευνα για η Neuropathology of Alzheimer’s Disease, Waters Foundation Charitable Rains/Tau Federation, και ένα γενναιόδωρο δώρο από τους Stuart Katz και Jane Martin. Ερευνητές από το Πανεπιστήμιο της Πενσυλβάνια και το Πανεπιστήμιο της Βοστώνης συνέβαλαν σε αυτή τη μελέτη.

Σχετικά με αυτήν την έρευνα για την τεχνητή νοημοσύνη και τον γερασμένο εγκέφαλο

συγγραφέας: Στέισι Άντερσον
πηγή: Νοσοκομείο Mount Sinai
επικοινωνία: Stacy Anderson – Νοσοκομείο Mount Sinai
εικόνα: Η εικόνα πιστώθηκε στο Neuroscience News

Αρχική αναζήτηση: Ανοιχτή πρόσβαση.
“Εκτίμηση της παθολογικής ηλικίας του εγκεφάλου μέσω μάθησης πολλαπλών περιπτώσεων«Του John F. Crary et al. Acta Neuropathologia

μια περίληψη

Εκτίμηση της παθολογικής ηλικίας του εγκεφάλου μέσω μάθησης πολλαπλών περιπτώσεων

Η κατανόηση της επιτάχυνσης ηλικίας, η ασυμφωνία μεταξύ βιολογικής και χρονολογικής ηλικίας στον εγκέφαλο μπορεί να αποκαλύψει μηχανιστικές γνώσεις για τη φυσιολογική φυσιολογία, καθώς και να αποσαφηνίσει παθολογικούς καθοριστικούς παράγοντες της λειτουργικής έκπτωσης που σχετίζεται με την ηλικία και να εντοπίσει πρώιμες παθολογικές αλλαγές στο πλαίσιο της νόσου του Αλτσχάιμερ και άλλων διαταραχών.

Οι ιστοπαθολογικές ολόκληρες εικόνες διαφανειών παρέχουν μια πληθώρα παθολογικών δεδομένων σε κυτταρικό επίπεδο που μπορούν να αξιοποιηθούν για τη δημιουργία μοντέλων βαθιάς μάθησης για την αξιολόγηση της επιτάχυνσης της γήρανσης.

Εδώ, χρησιμοποιήσαμε μια συλλογή από μεταθανάτιες τομές ανθρώπινου ιππόκαμπου για να αναπτύξουμε ένα ιστολογικό μοντέλο εκτίμησης της ηλικίας του εγκεφάλου.

Το μοντέλο μας προέβλεψε την ηλικία του εγκεφάλου μέσα σε ένα μέσο απόλυτο σφάλμα 5,45±0,22 ετών, με βάρη προσοχής που αντιστοιχούν σε νευροανατομικές περιοχές επιρρεπείς σε αλλαγές που σχετίζονται με την ηλικία. Βρήκαμε ότι η επιταχυνόμενη ιστοπαθολογική ηλικία του εγκεφάλου είχε σημαντικές συσχετίσεις με κλινικές και παθολογικές εκβάσεις που δεν βρέθηκαν με επιγενετικά μέτρα.

Τα αποτελέσματά μας υποδηλώνουν ότι η ιστοπαθολογική ηλικία του εγκεφάλου είναι ένα ισχυρό και ανεξάρτητο μέτρο για την κατανόηση των παραγόντων που συμβάλλουν στη γήρανση του εγκεφάλου.