Új AI-modell 90%-kal olcsóbb diagnózist hozhat az Alzheimer-kórban

Az Alzheimer-kór korai diagnosztizálása kulcsfontosságú a hatékony kezelés szempontjából, ám a jelenlegi eljárások, mint a MRI és a PET képalkotás, költségesek és nem mindig hozzáférhetők. Egy új, ProMUSE nevű AI-modell ígéretes megoldást kínál erre a problémára. (ArXiv ML)

Az AI-modell működése

A ProMUSE (Progressive Multi-modal Uncertainty Guided Staged Evidential Network) egy új megközelítést alkalmaz: először csak az olcsóbb, klinikai adatokat használja a diagnózis felállítására. Egy Dirichlet-alapú szubjektív logika segítségével méri a bizonytalanságot. Ha ez a bizonytalanság egy előre meghatározott szintet meghalad, a modell fokozatosan bevonja a MRI és PET képalkotási adatokat is. A Dempster-Shafer elméletet használja a különböző modalitásokból származó információk és bizonytalanságok egyesítésére, így pontosabb, kalibrált multimodális előrejelzést ad.

Kapcsolódó: Alzheimer-modell rekonstrukció AI-val

Jelentős költségmegtakarítás

A szerzők kísérletei, amelyeket az ADNI, AIBL és OASIS adathalmazokon végeztek, azt mutatják, hogy a ProMUSE versenyképes vagy jobb pontosságot ér el a teljes képalkotási módszereket használó baseline-okhoz képest. Ugyanakkor a MRI/PET vizsgálatok szükségességét 50-90%-kal csökkenti. Ez jelentős költségmegtakarítást eredményezhet a klinikai gyakorlatban, és hozzáférhetőbbé teheti a korai diagnosztikát.

Kapcsolódó: AI és a klinikai bizonytalanság kezelése

Klinikai gyakorlati jelentőség

A ProMUSE erőforrás-hatékony és bizonytalanságtudatos megoldást kínál az Alzheimer-kór szűrésére. A modell képessé teszi az egészségügyi rendszereket arra, hogy intelligensen döntsék el, mikor van szükség a drágább képalkotó eljárásokra, optimalizálva ezzel az erőforrásokat és a betegellátást. A kutatók szerint a módszer a jövőben az AI-alapú egészségügyi diagnosztikai alkalmazások fontos elemévé válhat.

Kapcsolódó: LLM-ek orvosi sémageneralizációban