Lompat ke konten Lompat ke sidebar Lompat ke footer

Model Komputasi Memetakan Pola Degenerasi Saraf di Seluruh Otak

Menganalisis otak: Representasi grafis dari 10 pola pertama variasi antar-pasien dalam pengambilan glukosa otak, yang disebut "eigenbrains". Intensitas rentang median dan interkuartil (IQR) juga ditampilkan. (Courtesy: CC BY 4.0/ Nat. Commun. 10.1038/s41467-022-29047-4)

Kehilangan ingatan, kesulitan menemukan kata-kata, kesulitan bernavigasi bahkan di lingkungan yang akrab. Ini hanya beberapa gejala demensia yang dialami oleh sekitar 50 juta orang di seluruh dunia. Dari pasien tersebut, yang jumlahnya diproyeksikan tiga kali lipat pada tahun 2050, dua pertiganya menderita penyakit Alzheimer. Gangguan neurodegeneratif ini disebabkan oleh akumulasi dan agregasi amiloid beta dan protein tau terfosforilasi di otak. Tetapi bagaimana toksisitas yang dihasilkan pada sel-sel otak menimbulkan gejala klinis Alzheimer yang kompleks dan beragam baru mulai dipahami.

Para peneliti di Mayo Clinic di Rochester, MN, kini telah mengembangkan model komputasi yang memetakan pola skala besar dalam aktivitas metabolisme otak ke data klinis. Hasil mereka, yang diterbitkan di Nature Communications , menunjukkan bahwa memasukkan hanya beberapa fitur korelasi global sudah cukup untuk memperoleh model status klinis yang akurat dari gambar tiga dimensi aktivitas otak.

Para peneliti menggunakan scan otak lebih dari 400 pasien Mayo Clinic dengan penyakit Alzheimer sebagai tulang punggung penyelidikan komputasi mereka. Dalam persiapan untuk pemindaian, dokter menyuntikkan pasien dengan radiotracer 18 F-fluorodeoxyglucose (FDG), yang terakumulasi dalam sel yang aktif secara metabolik. Mereka kemudian dapat menggunakan positron emission tomography (PET) untuk mendapatkan peta tiga dimensi penggunaan energi seluler. Teknik ini (dikenal sebagai FDG-PET), umumnya diterapkan pada kanker citra, tetapi juga menerangi sel-sel otak yang haus glukosa.

“FDG-PET sensitif terhadap penyakit neurodegeneratif fungsi mental pada tingkat subjek tunggal dan saat ini digunakan dalam praktik klinis,” jelas penulis utama David Jones . "[Ini] kemungkinan terkait dengan hubungan mendasar antara fungsi otak dan metabolisme energi yang mengungkapkan neuroanatomi fungsional yang relevan untuk gejala demensia."

Pemindaian FDG-PET menghasilkan ruang data berdimensi sangat tinggi. Setiap voxel gambar membawa informasi yang dapat membedakan pasien yang berbeda satu sama lain, dan mengekstraksi pengetahuan yang berguna memerlukan teknik pengurangan dimensi. Dalam karya ini, para ilmuwan menggunakan analisis komponen prinsip (PCA), alat matematika yang dapat mengidentifikasi pola variasi dalam kumpulan data dimensi tinggi yang menjelaskan sebagian besar varians statistik. Dengan menerapkan PCA, mereka mampu mewakili 51% dari varians antar-pasien (dalam penyerapan glukosa di otak) hanya dalam 10 pola, yang mereka sebut "eigenbrains".

Karena setiap pemindaian otak dapat direpresentasikan dalam sistem koordinat yang dikurangi ini (sebagai kombinasi unik dari 10 pola glukosa otak), penulis selanjutnya membangun model linier untuk menghubungkan pemindaian dengan informasi pasien, seperti usia atau peringkat demensia klinis. Dalam dataset validasi yang tidak terkait, model dapat menyimpulkan usia pasien hanya dengan menggunakan gambar FDG-PET, dengan kesalahan rata-rata lima tahun. Model tersebut juga dapat memprediksi ada atau tidak adanya demensia klinis dengan akurasi lebih dari 90%, meskipun tidak pernah secara khusus dioptimalkan untuk tugas-tugas tersebut.

Pertimbangan penting dalam pemilihan model matematika adalah interpretability, yaitu apakah seseorang dapat memahami perilaku model pada semua tahap atau tidak. Seperti yang ditekankan Jones: “Untuk pengambilan keputusan medis, sangat penting untuk memiliki model yang dapat ditafsirkan. Dalam beberapa hal, setiap pertemuan pasien memiliki beberapa fitur 'kasus tepi' yang ada. Memiliki model yang dapat ditafsirkan memungkinkan alasan medis dalam konteks pasien yang ada di depan Anda, pada saat Anda membuat keputusan medis.

Sementara para peneliti tidak melakukan interpretasi yang ketat dari eigenbrains dalam penelitian pada tahap ini, mereka berhipotesis bahwa eigenbrains yang paling penting mungkin sesuai dengan apakah otak diisi dengan informasi internal versus eksternal, atau abstrak versus konkret. Akibatnya, model menangkap mekanisme umum pemrosesan informasi di otak. Dengan melihat kondisi seperti Alzheimer tidak hanya sebagai penyakit lipatan protein, tetapi sebagai spektrum efek pada fungsi otak yang lebih luas, model seperti ini juga dapat menginformasikan para ilmuwan tentang cara kerja otak yang sehat.

“Model ini dapat menginformasikan taksonomi baru demensia degeneratif dan pikiran secara umum,” simpul Jones. “Selain membuat interpretasi pemindaian otak dari pasien lebih mudah dengan hanya perlu melihat beberapa pola anatomi daripada ratusan, model baru ini dapat memajukan pemahaman kita tentang bagaimana otak bekerja dan rusak selama penuaan dan penyakit Alzheimer, memberikan informasi baru. cara untuk memantau, mencegah dan mengobati gangguan pikiran.”