12 статей
Обзорный анализ применения методов машинного и глубокого обучения (CNN, RNN, GAN и др.) для диагностики болезни Альцгеймера на основе нейровизуализационных данных. Особое внимание уделяется мультимодальным подходам, объединяющим МРТ и ПЭТ, а также методам предобработки и аугментации данных для повышения точности классификации.
В исследовании представлен новый метод генеративного обучения без учителя под названием Latent Event Mapping (LEMING), предназначенный для реконструкции траекторий прогрессирования нейродегенеративных заболеваний на воксельном уровне. В отличие от существующих подходов, LEMING обеспечивает высокую вычислительную масштабируемость и интерпретируемость, создавая латентную карту событий вдоль единой псевдовременной шкалы. Авторы применили метод к данным ПЭТ-сканирования амилоида и структурной МРТ из инициативы ADNI (Alzheimer's Disease Neuroimaging Initiative). Результаты позволили впервые визуализировать воксельные траектории событий при болезни Альцгеймера и выявить новые механизмы прогрессирования. В частности, было обнаружено, что плотность ацетилхолиновых рецепторов значимо положительно коррелирует как с поздними стадиями накопления амилоида, так и с процессами атрофии мозга. Это открытие указывает на то, что ацетилхолиновые рецепторы могут становиться мишенью на более поздних этапах болезни, что имеет критическое значение для разработки стратегий раннего терапевтического вмешательства.
В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная архитектура нейросети, сочетающая диффузионные модели шумоподавления и генеративно-состязательные сети (GAN) для прогнозирования развития болезни Альцгеймера. Основная методологическая особенность заключается в использовании механизма сохранения идентичности пациента, что позволяет модели генерировать высокоточные прогностические снимки МРТ, соответствующие индивидуальной анатомической структуре конкретного человека. Исследователи применили подход Identity-Preserved Denoising Diffusion GAN (IP-DDGAN) для моделирования долгосрочных изменений в тканях головного мозга. Результаты демонстрируют значительное превосходство предложенного метода над традиционными методами прогнозирования по метрикам структурной точности и визуального правдоподобия. Данная технология позволяет врачам визуализировать будущие стадии дегенерации мозга, что критически важно для раннего планирования терапии и оценки эффективности лекарственных препаратов. Практическая значимость работы заключается в возможности персонализированного мониторинга пациентов на ранних стадиях нейродегенерации.
Исследование, опубликованное в журнале npj Digital Medicine, представляет инновационный метод ранней диагностики болезни Альцгеймера на продромальной стадии с использованием данных со смартфонов. Методология основана на пассивном мониторинге цифровых биомаркеров, таких как изменения в скорости набора текста, паттерны использования приложений и изменения в когнитивной активности пользователя. В ходе исследования было доказано, что алгоритмы машинного обучения способны улавливать тонкие когнитивные нарушения, которые часто пропускаются при стандартном клиническом обследовании. Ключевые результаты демонстрируют высокую чувствительность метода к ранним признакам деменции, позволяя выявить риск заболевания задолго до появления выраженной клинической симптоматики. Данная технология имеет огромную практическую значимость, так как обеспечивает непрерывный, неинвазивный и масштабируемый мониторинг состояния пациентов в реальных условиях жизни. Внедрение подобных цифровых инструментов в клиническую практику может значительно повысить эффективность раннего вмешательства и персонализированного ведения пациентов с нейродегенеративными заболеваниями.
Исследователи разработали новый аналитический метод ORPHEUS (Oscillatory Rhythm Phase Heterogeneity Estimated Using Statistical-moments), предназначенный для количественной оценки межклеточной десинхронизации на основе вариативности экспрессии генов. В отличие от традиционного анализа объемных (bulk) тканей, данный метод позволяет разделить влияние амплитуды клеточных осцилляций и их временной согласованности. После валидации in silico и на данных сверхчасового ядра (SCN) мышей, метод был применен к тканям печени мышей и человеческого мозга. Результаты показали, что высокая циркадная синхронность коррелирует с повышенной активностью пути MTORC в обеих тканях. Наиболее критическим открытием стало обнаружение резкой потери клеточной синхронности в возбуждающих нейронах у пациентов с деменцией при болезни Альцгеймера (AD). Таким образом, ORPHEUS предоставляет новый интерпретируемый инструмент для изучения циркадной координации на уровне единичных клеток, что открывает перспективы для понимания патогенеза нейродегенеративных заболеваний.
В данной исследовательской работе представлен первый алгоритм контрфактуальных объяснений (Counterfactual Explanation, CE), специально разработанный для работы с сетями сходства пациентов (Patient Similarity Networks, PSNs). В отличие от традиционных методов, использующих табличные данные, авторы применяют графовые нейронные сети (GNN), которые учитывают не только индивидуальные признаки пациента, но и его связи с клинически и биомолекулярно схожими индивидами. Предложенный метод является универсальным и не зависит от конкретной модели классификатора (model-agnostic), что позволяет интегрировать его в различные системы поддержки принятия врачебных решений. Исследование проводилось на синтетических данных и на реальной когорте пациентов с болезнью Альцгеймера. Результаты показали, что новый алгоритм демонстрирует конкурентоспособность по сравнению с классическими методами для табличных данных и признанным инструментом GNNExplainer. Данная разработка имеет критическое значение для повышения интерпретируемости ИИ в медицине, позволяя врачам понимать, какие именно изменения в клинических или биомолекулярных показателях могли бы изменить прогноз заболевания.
Компания Korsana Biosciences, являющаяся проектом Paragon Therapeutics, планирует выйти на публичный рынок через процедуру обратного слияния. Основной целью деятельности компании является разработка инновационных методов борьбы с болезнью Альцгеймера. Данный шаг позволит Korsana получить доступ к дополнительному капиталу, необходимому для ускорения клинических исследований и разработки терапевтических решений. Процесс происходит на фоне растущего интереса к сектору нейродегенеративных заболеваний, в частности, благодаря успехам компании Roche в аналогичной области. Хотя статья фокусируется на финансовой структуре и бизнес-стратегии (слиянии), конечная цель проекта напрямую связана с применением передовых биотехнологий в медицине. Это событие может повлиять на темпы разработки новых методов лечения деменции и Альцгеймера.
В статье представлен систематический обзор применения глубокого обучения для диагностики болезни Альцгеймера с использованием МРТ и мультимодальных данных. Авторы анализируют архитектуры нейросетей, эффективность классификации стадий заболевания и подчеркивают важность интеграции различных типов данных для повышения точности диагностики.
В статье представлена гибридная нейросетевая архитектура (HDNN) для классификации нейродегенеративных заболеваний на основе данных МРТ. Использование методов ConvNeXt, MaxViT и механизмов Cross-Fusion Attention позволило достичь точности 97,4%, а применение Grad-CAM++ обеспечивает интерпретируемость результатов для клинического применения.
В исследовании представлен инновационный биоинформатический фреймворк для поиска новых лекарственных средств против болезни Альцгеймера, нацеленных на фермент BACE1. Авторы объединили мета-ансамблевый QSAR (пять древовидных классификаторов с отпечатками ECFP4), структурный докинг и веса взаимодействий остатков, направляемые белковой языковой моделью ESM-1b. В ходе скрининга 16 196 структурно разнообразных соединений было выявлено 153 активных вещества с высокой точностью (ROC-AUC 0.920), которые после фильтрации ADMET-профилирования были сокращены до 111 лекарственно-подобных кандидатов и 7 приоритетных соединений. Молекулярно-динамическое моделирование длительностью 200 нс подтвердило стабильность связывания наиболее перспективного соединения (Mol-2) в каталитическом кармане BACE1, обеспечив взаимодействие с каталитической диадой (ASP32 — 98%, ASP228 — 99%). Разработанный метод продемонстрировал исключительную устойчивость к параметрическим неопределенностям (Spearman rho = 0.998) и может служить переносимой платформой для поиска терапии сложных нейродегенеративных заболеваний.
Биотехнологическая компания Cognito Therapeutics присоединилась к инициативе по замене термина «деменция» на более точную и менее стигматизирующую терминологию. Это решение направлено на улучшение взаимодействия с врачами и пациентов, а также на поддержку ранней диагностики нейродегенеративных заболеваний.
Исследователи разработали систему искусственного интеллекта для анализа изменений на снимках мозга, способную выявлять ранние признаки болезни Альцгеймера с точностью почти 93 процента. Методология исследования основана на применении алгоритмов машинного обучения для выявления тонких структурных изменений в мозге, которые предшествуют клиническим проявлениям заболевания. Ключевой результат — достижение 93-процентной точности прогнозирования, что значительно превышает возможности традиционных методов диагностики. Раннее выявление болезни Альцгеймера критически важно для своевременного начала лечения и замедления прогрессирования заболевания. Технология может быть интегрирована в клиническую практику для скрининга пациентов из групп риска, что позволит выявлять болезнь на доклинической стадии. Исследование демонстрирует потенциал искусственного интеллекта в области нейровизуализации и неврологии, открывая новые возможности для персонализированной медицины.
