Pembelajaran mendalam memberikan pencerahan baru pada deteksi Parkinson melalui mata

Read Also

Sebuah studi Scientific Reports baru-baru ini membahas potensi pencitraan fundus retina sebagai modalitas skrining diagnostik untuk Parkinson's disease (PD).

Latar belakang

PD dikaitkan dengan penurunan bertahap dalam kontrol motorik dan beberapa gejala non-motorik karena hilangnya neuron dopaminergik secara progresif di substansia nigra otak.

Kematian akibat PD meningkat lebih dari dua kali lipat sejak tahun 2000, terutama karena kurangnya intervensi yang berkualitas di kalangan lansia. Oleh karena itu, penelitian lebih lanjut diperlukan untuk lebih memahami patologi PD dan mengembangkan sistem diagnostik dini.

Retina, sering disebut sebagai jendela otak, memberikan jalan yang layak untuk menilai proses neuropatologis yang terkait dengan banyak penyakit neurodegeneratif. Meskipun ada kemajuan baru-baru ini, temuan klinis mengenai degenerasi retina tidak selalu tidak meyakinkan, sehingga memerlukan penelitian lebih lanjut untuk meningkatkan kekuatan diagnostik retina.

Untuk mencapai tujuan ini, algoritma kecerdasan buatan (AI), termasuk model pembelajaran mendalam dan algoritma pembelajaran mesin konvensional, telah muncul sebagai alat diagnostik yang efisien.

Tentang penelitian

Mengembangkan pemahaman mendalam tentang biomarker retina pada PD memerlukan pengetahuan menyeluruh tentang degenerasi struktural pembuluh darah retina. Meskipun hal ini seringkali sulit dicapai secara klinis, AI dapat membantu menjelaskan hubungan kompleks pada tingkat spasial lokal dan global pada retina. Penelitian ini mengusulkan penggunaan algoritme AI untuk mengatasi tantangan yang disebutkan di atas dan merupakan salah satu studi AI ekstensif pertama dalam mendiagnosis PD dari pencitraan fundus.

Tujuan utama penelitian ini adalah untuk secara sistematis membuat profil kinerja klasifikasi di berbagai fase perkembangan PD, termasuk insiden dan PD lazim. Dengan mengabaikan metode pemilihan fitur atau pengukuran kuantitatif eksternal, para peneliti memaksimalkan kemampuan diagnostik algoritma AI. Kekokohan dibangun melalui pembelajaran mendalam dan metode pembelajaran mesin konvensional.

Temuan studi

Jaringan saraf dalam mengungguli model pembelajaran mesin konvensional dan menunjukkan kinerja luar biasa dalam mendeteksi PD pada gambar fundus retina. Model tersebut berhasil memprediksi kejadian PD sebelum diagnosis formal dengan tingkat sensitivitas 80% dari nol hingga 5,07 tahun.

Antara 5,07 dan 5,57 tahun, sensitivitas meningkat menjadi 93,33% dan kemudian berkurang menjadi 81,67% antara 5,57 dan 7,38 tahun. Hasil ini menjanjikan karena menunjukkan potensi intervensi penyakit secara dini.

Attribution correspondence of retinal features. In the first column, an artery-vein (red and blue, respectively) map is combined with the optic cup (teal) and optic disc (yellow) generated from the AutoMorph deep learning segmentation module. A white dashed line is shown as an estimate for the foveal region. In the third column, a predicted attribution map is generated using the guided backpropagation algorithm on top of the AlexNet model. The intersection of the salient features with the segmentation is shown in the last column. The images represent the left (top) and right (bottom) eyes from the same subject, demonstrating distinct feature distributions for prediction.

Jaringan saraf dalam otomatis dapat melengkapi dokter mata untuk mengidentifikasi biomarker penyakit dan melakukan evaluasi throughput tinggi. Sampai saat ini, penilaian PD berbasis AI menggunakan retina masih jarang dilakukan. Yang penting, penelitian sebelumnya tidak membandingkan pembelajaran mendalam dan metode pembelajaran mesin konvensional.

Sebaliknya, penelitian ini mengevaluasi berbagai metode pembelajaran mendalam dan pembelajaran mesin konvensional untuk mempertimbangkan seluruh gambar fundus sebagai media diagnostik. Selain itu, pasien PD yang lazim dan yang insidensi berhasil dibedakan dari kontrol sehat yang dicocokkan dengan tepat dengan akurasi 68%.

Kesimpulan

Dalam penelitian ini, model pembelajaran mesin konvensional mengungguli model pembelajaran mendalam dalam memprediksi PD secara tepat dari gambar fundus retina. Metode ini kuat terhadap gangguan gambar, sehingga menjanjikan penanganan dini.

Karya ini diharapkan dapat memberikan landasan untuk penelitian masa depan dan bertindak sebagai referensi pemilihan algoritma baik untuk interpretasi dan kinerjanya.

Keterbatasan mendasar dari penelitian ini adalah ukuran kumpulan data, yang dapat ditingkatkan untuk menangkap presentasi PD yang lebih luas. Kedua, penelitian ini didasarkan pada populasi Inggris, sehingga membatasi kemampuan generalisasi temuan.

Keterbatasan tambahan dari penelitian ini adalah para peneliti tidak melaporkan bagaimana pendekatan ini dapat diterapkan pada tingkat keparahan PD yang berbeda. Meskipun penelitian ini difokuskan pada PD, masih belum jelas apakah penyakit neurogeneratif lain seperti penyakit Alzheimer, serta penyakit mata tertentu, memiliki pola degenerasi atau biomarker yang serupa.

Penelitian di masa depan juga harus menyelidiki apakah prediksi model dapat menginformasikan penilaian dokter mata. Namun, hal ini bisa menjadi rumit karena biomarker visual penyakit mata yang umum lebih dipahami dibandingkan penyakit PD.

Secara keseluruhan, keterbatasan ini memerlukan penelitian tambahan menggunakan sampel yang beragam untuk menentukan kelayakan model AI dalam lingkungan klinis.

Journal reference:

Tran, C., Shen, K., Liu, K., et al. (2024). Deep learning predicts prevalent and incident Parkinson’s disease from UK Biobank fundus imaging. Scientific Reports 14(1);1-12. doi:10.1038/s41598-024-54251-1