Prognostyka przebiegu stwardnienia rozsianego z użyciem metod uczenia maszynowego
Słowa kluczowe:
stwardnienie rozsiane, uczenie maszynowe, badania obrazowe, prognostykaStreszczenie
Stwardnienie rozsiane (ang. multiple sclerosis MS) jest stosunkowo częstym schorzeniem demielinizacyjnym o zmiennym przebiegu oraz wykazującym znaczne trudności diagnostyczne oraz prognostyczne. Choroba ta jest diagnozowana coraz częściej, a jej przebieg może być lepiej kontrolowany dzięki wczesnemu wdrożeniu adekwatnego leczenia. Ze względu na fundamentalne trudności, wynikające ze specyfiki choroby intensywnie poszukiwane są nowe sposoby klasyfikacji pacjentów względem ich ryzyka do progresji choroby. Dynamiczny rozwój poszczególnych dziedzin technologii, szczególnie technologii uczenia maszynowego (ang. machine learning ML), otwiera nowe możliwości w próbach rozwiązania tego problemu. Podstawową metodą diagnostyczną MS są badania obrazowe, z wyboru badanie rezonansu magnetycznego (ang. magnetic resonance imaging MRI), dlatego też na wykorzystaniu tych metod koncentrują się obecnie wysiłki badaczy. Celem niniejszej pracy jest przedstawienie efektów wykorzystania ML w diagnostyce MS na podstawie dostępnych wyników badań. Autorzy dokonali przeglądu literatury naukowej za pośrednictwem bazy PUBMED stosując słowa kluczowe (i) “multiple sclerosis prognostics machine learning”, (ii) “multiple sclerosis neuroimaging prognostics machine learning”, (iii) “multiple sclerosis MRI prognostics machine learning”. Zastosowano uproszczone wytyczne PRISMA dla przeglądów systematycznych. Do przeglądu włączono 9 publikacji. Badacze wskazują na możliwość praktycznego zastosowania metod ML w prognostyce i diagnostyce MS, argumentując to wysokimi wynikami przeprowadzonych przez ML analiz. Jednocześnie autorzy przedstawionych prac wskazują na potrzebny dalszy rozwój tych technik, które odpowiednio zaimplementowane, przetestowane oraz wystandaryzowane mogą znacząco poprawić kontrolę przebiegu MS, wpływając tym samym korzystnie na rokowanie chorych.
Bibliografia
Papiri G, D’Andreamatteo G, Cacchiò G, et al. Multiple Sclerosis: Inflammatory and Neuroglial Aspects. Curr Issues Mol Biol. 2023;45(2):1443-1470. doi:10.3390/cimb45020094
Kamińska J, Koper OM, Piechal K, Kemona H. Multiple sclerosis - etiology and diagnostic potential. Postepy Hig Med Dosw. 2017;71(1):0-0. doi:10.5604/01.3001.0010.3836
Thompson AJ, Baranzini SE, Geurts J, Hemmer B, Ciccarelli O. Multiple sclerosis. The Lancet. 2018;391(10130):1622-1636. doi:10.1016/S0140-6736(18)30481-1
Jakimovski D, Awan S, Eckert SP, Farooq O, Weinstock-Guttman B. Multiple Sclerosis in Children: Differential Diagnosis, Prognosis, and Disease-Modifying Treatment. CNS Drugs. 2022;36(1):45-59. doi:10.1007/s40263-021-00887-w
Handelman GS, Kok HK, Chandra R V., Razavi AH, Lee MJ, Asadi H. eDoctor: machine learning and the future of medicine. J Intern Med. 2018;284(6):603-619. doi:10.1111/joim.12822
MacEachern SJ, Forkert ND. Machine learning for precision medicine. Genome. 2021;64(4):416-425. doi:10.1139/gen-2020-0131
Choi RY, Coyner AS, Kalpathy-Cramer J, Chiang MF, Campbell JP. Introduction to Machine Learning, Neural Networks, and Deep Learning. Transl Vis Sci Technol. 2020;9(2):14. doi:10.1167/tvst.9.2.14
Jiang T, Gradus JL, Rosellini AJ. Supervised Machine Learning: A Brief Primer. Behav Ther. 2020;51(5):675-687. doi:10.1016/j.beth.2020.05.002
Gentleman R, Carey VJ. Unsupervised Machine Learning. In: Bioconductor Case Studies. Springer New York; 2008:137-157. doi:10.1007/978-0-387-77240-0_10
Arulkumaran K, Deisenroth MP, Brundage M, Bharath AA. Deep Reinforcement Learning: A Brief Survey. IEEE Signal Process Mag. 2017;34(6):26-38. doi:10.1109/MSP.2017.2743240
Deo RC. Machine Learning in Medicine. Circulation. 2015;132(20):1920-1930. doi:10.1161/CIRCULATIONAHA.115.001593
Abbasi B, Goldenholz DM. Machine learning applications in epilepsy. Epilepsia. 2019;60(10):2037-2047. doi:10.1111/epi.16333
Connor CW. Artificial Intelligence and Machine Learning in Anesthesiology. Anesthesiology. 2019;131(6):1346-1359. doi:10.1097/ALN.0000000000002694
Bilińska M, Pokryszko-Dragan A. Stwardnienie rozsiane i inne choroby demielinizacyjne. In: Kompendium Neurologii Pod Redakcją Ryszarda Podemskiego. IV. Via Medica; 2019:314-329.
Doshi A, Chataway J. Multiple sclerosis, a treatable disease . Clinical Medicine. 2017;17(6):530-536. doi:10.7861/clinmedicine.17-6-530
Koch-Henriksen N, Magyari M. Apparent changes in the epidemiology and severity of multiple sclerosis. Nat Rev Neurol. 2021;17(11):676-688. doi:10.1038/s41582-021-00556-y
Lassmann H, Brück W, Lucchinetti CF. The Immunopathology of Multiple Sclerosis: An Overview. Brain Pathology. 2007;17(2):210-218. doi:10.1111/j.1750-3639.2007.00064.x
Klineova S, Lublin FD. Clinical Course of Multiple Sclerosis. Cold Spring Harb Perspect Med. 2018;8(9):a028928. doi:10.1101/cshperspect.a028928
Cree BAC, Arnold DL, Chataway J, et al. Secondary Progressive Multiple Sclerosis. Neurology. 2021;97(8):378-388. doi:10.1212/WNL.0000000000012323
Travers BS, Tsang BKT, Barton JL. Multiple sclerosis: Diagnosis, disease-modifying therapy and prognosis. Aust J Gen Pract. 2022;51(4):199-206. doi:10.31128/AJGP-07-21-6103
Hemond CC, Bakshi R. Magnetic Resonance Imaging in Multiple Sclerosis. Cold Spring Harb Perspect Med. 2018;8(5):a028969. doi:10.1101/cshperspect.a028969
Pontillo G, Penna S, Cocozza S, et al. Stratification of multiple sclerosis patients using unsupervised machine learning: a single-visit MRI-driven approach. Eur Radiol. 2022;32(8):5382-5391. doi:10.1007/s00330-022-08610-z
Brummer T, Muthuraman M, Steffen F, et al. Improved prediction of early cognitive impairment in multiple sclerosis combining blood and imaging biomarkers. Brain Commun. 2022;4(4). doi:10.1093/braincomms/fcac153
Montolío A, Cegoñino J, Garcia-Martin E, Pérez del Palomar A. Comparison of Machine Learning Methods Using Spectralis OCT for Diagnosis and Disability Progression Prognosis in Multiple Sclerosis. Ann Biomed Eng. 2022;50(5):507-528. doi:10.1007/s10439-022-02930-3
Pisani AI, Scalfari A, Crescenzo F, Romualdi C, Calabrese M. A novel prognostic score to assess the risk of progression in relapsing−remitting multiple sclerosis patients. Eur J Neurol. 2021;28(8):2503-2512. doi:10.1111/ene.14859
Saccà V, Sarica A, Novellino F, et al. Evaluation of machine learning algorithms performance for the prediction of early multiple sclerosis from resting-state FMRI connectivity data. Brain Imaging Behav. 2019;13(4):1103-1114. doi:10.1007/s11682-018-9926-9
Salem M, Cabezas M, Valverde S, et al. A supervised framework with intensity subtraction and deformation field features for the detection of new T2-w lesions in multiple sclerosis. Neuroimage Clin. 2018;17:607-615. doi:10.1016/j.nicl.2017.11.015
La Rosa F, Wynen M, Al-Louzi O, et al. Cortical lesions, central vein sign, and paramagnetic rim lesions in multiple sclerosis: Emerging machine learning techniques and future avenues. Neuroimage Clin. 2022;36:103205. doi:10.1016/j.nicl.2022.103205
Seccia R, Romano S, Salvetti M, Crisanti A, Palagi L, Grassi F. Machine Learning Use for Prognostic Purposes in Multiple Sclerosis. Life. 2021;11(2):122. doi:10.3390/life11020122
Lassau N, Bousaid I, Chouzenoux E, et al. Three artificial intelligence data challenges based on CT and MRI. Diagn Interv Imaging. 2020;101(12):783-788. doi:10.1016/j.diii.2020.03.006
Opublikowane
8 czerwca 2023
Prawa autorskie (c) 2023 Przemysław Bugajski, Daniel Gondko, Wiktoria Haberko, Nikodem Pietrzak, Jakub Roman
Licencja
Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Użycie niekomercyjne – Bez utworów zależnych 4.0 Międzynarodowe.
