Ny AI-teknik kan ge snabb och säker demensdiagnos
Forskare vid Örebro universitet har varit med och utvecklat två nya AI-modeller som kan analysera hjärnans elektriska aktivitet och med mycket hög träffsäkerhet skilja mellan friska personer och patienter med demenssjukdomar som Alzheimer. – Tidig diagnos är avgörande för att kunna sätta in proaktiva åtgärder som bromsar sjukdomsutvecklingen och förbättrar patientens livskvalitet, säger Muhammad Hanif, forskare i informatik vid Örebro universitet.
I studien An explainable and efficient deep learning framework for EEG-based diagnosis of Alzheimer’s disease and frontotemporal dementia kombinerar forskarna två avancerade AI-metoder – temporala konvolutionella nätverk och LSTM-nätverk. Programmet analyserar så kallade EEG-signaler och kan nästan felfritt avgöra om en person är sjuk eller frisk.
Kan skilja friska från sjuka med 80 procents säkerhet
När tre grupper jämförs – Alzheimer, frontotemporal demens och friska – nådde metoden över 80 procents säkerhet. Forskarna använder också en förklarande AI-teknik som visar vilka delar av EEG-signalen som påverkar diagnosen. Detta gör att läkare lättare kan tolka hur systemet har kommit fram till sina slutsatser.
I den andra studien, Privacy–preserving dementia classification from EEG via hybrid–fusion EEGNetv4 and federated learning, utvecklar forskarna en liten och resurseffektiv AI-modell – under en megabyte i storlek – som samtidigt skyddar patienternas integritet. Med hjälp av så kallad federerad inlärning kan flera vårdgivare samarbeta om att träna AI-systemet, utan att de behöver dela patientdata. Trots integritetsskyddet når modellen över 97 procents noggrannhet.
– Traditionella maskininlärningsmodeller misslyckas ofta med att vara transparanta. De utmanas också av integritetsproblem. Vår studie försöker ta hänsyn till dessa frågor, säger Muhammad Hanif, biträdande lektor i informatik vid Örebro universitet.
AI upptäcker mönster i hjärnans elektriska signaler
Det forskarna lyckats med är att kombinera olika sätt att förstå hjärnans elektriska signaler. Genom att dela upp EEG-signalerna i olika frekvensband – till exempel alfa-, beta- och gamma-vågor – kan AI:n upptäcka mönster som hänger ihop med demenssjukdomar.
Algoritmerna kan se långsiktiga förändringar i signalerna och känna igen små skillnader mellan olika diagnoser. Dessutom gör den förklarande tekniken att AI:n inte längre är en ”svart låda”, utan tydligt visar vad den baserar sina beslut på.
I studierna visar forskarna hur AI kan bli ett snabbt, billigt och integritetssäkert verktyg för tidig diagnostik av demens. EEG-mätningar är redan i dag en enkel och billig metod som kan användas på vårdcentraler. När de kombineras med AI-modeller som är möjliga att köra även på bärbara enheter, öppnas möjligheten för bredare användning i vården – från specialistkliniker till framtida hemtester.
AI-testet kan i framtiden användas i hemmet
– Tidig diagnos är avgörande för att kunna sätta in proaktiva åtgärder som bromsar sjukdomsutvecklingen och förbättrar patientens livskvalitet. Om sådana lösningar införs fullt ut kan det underlätta för alla berörda – patienter, omsorgspersonal, anhöriga och vårdprofessioner, säger Muhammad Hanif.
Studierna har genomförts i samarbete mellan forskare vid Örebro universitet och forskare från flera internationella lärosäten, bland annat i Storbritannien, Australien, Pakistan och Saudiarabien.
– Vi planerar att fortsätta forskningen genom att utöka till större och mer diversifierade datamängder, undersöka fler EEG-egenskaper och inkludera andra demenssjukdomar som vaskulär demens och Lewy body-demens. Samtidigt kommer vi att använda förklarbar AI och strikt upprätthålla integritet och säkerhet för patientdata, säger Muhammad Hanif.
Pressbilder
Bildlänk: https://via.tt.se/data/images/public/3236907/4160791/ddcbc87b-6759-4d02-97bd-195968ae1a34.jpg
Foto: Foto: Jerry Gray
Bildtext: ”Vi planerar att fortsätta forskningen genom att utöka till större och mer diversifierade datamängder”, säger Muhammad Hanif, biträdande lektor i informatik vid Örebro universitet,