Ученые определили пять моделей старения мозга

Каждая модель отражает определенные физиологические состояния, а также указывает на риски нейродегенерации. Кроме того, одна из моделей связана с повышенными рисками смертности. Эти данные открывают большие возможности для обследования пожилых пациентов и прогнозирования индивидуальных рисков по мере старения.

Старение изменяет анатомию мозга, однако человеческий глаз не способен воспринимать и отслеживать закономерности систематических изменений ткани. Ученые из США решили применить для этих целей алгоритм искусственного интеллекта и с его помощью выявили пять различных закономерностей атрофии головного мозга, связанных со старением и распространенными заболеваниями.

На первом этапе алгоритм обучали на МРТ снимках 10 тыс. здоровых людей и пациентов с нарушениями когнитивных функций. Это позволило создать карты анатомических структур, которые изменяются в мозге при наличии или отсутствии заболевания. На втором этапе потенциал ИИ оценили на снимках 50 тыс. добровольцев. Вместе данные позволили создать пять четких моделей старения мозга человека.

Например, одна из моделей могла с высокой точностью предсказать будущее развитие когнитивных нарушений у здоровых людей. По другим моделям можно было судить о развитии болезни Альцгеймера и Паркинсона и даже о рисках преждевременной смерти. Кроме того, ученые зарегистрировали четкие связи между курением, употреблением алкоголя и другими привычками и факторами образа жизни с моделями мозга.

«Они отражают влияние общего физического благополучия на неврологическое здоровье, поскольку, как известно, повреждение других органов и систем всегда имеет последствия для мозга», — прокомментировал автор работы Христос Давацикос (Christos Davatzikos) из Пенсильванского университета.

Предыдущие исследования показали, что методы машинного обучения могут извлекать едва заметные следы старения из данных МРТ. Но эти исследования часто были ограничены по объему и большинство включали данные относительно небольшого числа людей.

Чтобы выявить более широкие закономерности, команда Давацикоса приступила к исследованию, на завершение и публикацию которого ушло около восьми лет. Они использовали метод глубокого обучения под названием Surreal-GAN, который был разработан первым автором работы Чжицзянем Яном. Ученые обучили алгоритм на МРТ-снимках мозга 1150 здоровых людей в возрасте от 20 до 49 лет и 8992 пожилых людей, многие из которых испытывали снижение когнитивных способностей.

Это научило алгоритм распознавать повторяющиеся особенности стареющего мозга, и позволило ему создать внутреннюю модель анатомических структур, которые, как правило, изменяются одновременно, по сравнению с теми, которые, как правило, изменяются независимо.

Затем исследователи применили полученную модель к МРТ-сканам почти 50 000 человек, участвовавших в различных исследованиях старения и неврологического здоровья. Этот анализ дал пять разных моделей атрофии мозга.

Деменция и предшествующее ей легкое когнитивное нарушение, были связаны с тремя из пяти моделей. Исследователи также нашли доказательства того, что выявленные ими модели потенциально могут быть использованы для выявления вероятности большей дегенерации мозга в будущем. «Если вы хотите предсказать прогрессирование от когнитивно нормального состояния до легкого когнитивного нарушения, одна из моделей дает наиболее точный прогноз», — говорит Давацикос. Другие модели были связаны с такими состояниями, как болезнь Паркинсона и болезнь Альцгеймера, и одна из комбинаций из трех шаблонов давала прогноз резкого повышения риска смерти.

Авторы обнаружили четкие связи между определенными моделями атрофии мозга и различными физиологическими и экологическими факторами, включая употребление алкоголя и курение, различные генетические и биохимические сигнатуры, связанными со здоровьем. Давацикос говорит, что эти результаты, вероятно, отражают влияние общего физического благополучия на неврологическое здоровье, поскольку повреждение других органов может иметь последствия для мозга.

Пока ученые совершенствуют точность ИИ. В перспективе эти данные могут обеспечить высокую эффективность при прогнозировании индивидуальных рисков неврологических заболеваний у взрослого населения. Давацикос предупреждает, что исследование «не означает, что все можно свести к пяти числам», и его команда будет продолжать работу с наборами данных, которые включают более широкий спектр неврологических состояний.

Источник: Nature 19.08.2024