EAN: Ud fra MRI scanningsbilleder kan en ny algoritme forudse, hvordan fysiske og kognitive symptomer ved multipel sclerose (MS) vil udvikle sig de næste to år. Algoritmen kommer frem til den rigtige prognose hos 86 procent af patienterne, mens læger kun vurderer udviklingen korrekt i 70 procent af tilfældene.

Algoritmen er udviklet af italienske forskere ved IRCCS San Raffaele Scientific Institute i Milano, og den blev præsenteret i et foredrag af Ph.d. studerende Loredana Storelli ved EAN 2022 (abstrakt OPR-090). Hun pointerede, at selvom MRI er en af de mest benyttede metoder til at diagnosticere MS og følge sygdomsudviklingen, så er der et uopfyldt behov for simple og præcise MRI-markører for forværring af patienternes tilstand.

Forskerne konstruerede et såkaldt convolutional neuralt netværk, som er inspireret af neuronerne i synscentret og formår at genkende mønstre i billeder. Forskere foretog T1- og T2-vægtede MRI-skanninger på 373 MS-patienter ved baseline og bestemte samtidig deres kliniske og kognitive tilstand med henholdsvis expanded disability status scale (EDSS) og symbol digit modalities test (SDMT). Efter to år blev sygdommens progression igen bestemt ved EDSS og SDMT.

Algoritmen øver sig i at ramme rigtigt

Data fra 325 af disse patienter blev nu brugt til at træne og validere tre forskellige algoritmer, som baserede sig på enten EDSS, SDMT eller EDSS+SDMT. Da algoritmerne var færdigtrænet, blev deres evner til at forudsige sygdomsprogression afprøvet på baselinedata fra de resterende 48 patienter, og to uafhængige læger med ekspertise i MS blev sat på den samme opgave. Både mennesker og maskine skulle vurdere om sygdommen ville forværres eller forblive stabil, og deres vurderinger blev sammenholdt med data indsamlet to år efter baseline.

Resultaterne viste, at algoritmen baseret på EDSS+SDMT, vurdere korrekt i 85,7 procent af tilfældene, mens de to eksperter kun præsterede 70,0 procent rigtige svar. Algoritmen var også signifikant bedre, når det gjaldt sensitivitet (at udpege dem med forværret prognose) og specificitet (at frikende dem med stabil diagnose). De to algoritmer, hvor modellen kun forholdt sig til enten EDSS eller SDMT, præsterede noget dårligere end den kombinerede model med en præcision på henholdsvis 83,3 procent og 67,7 procent.

Læger kan hjælpe algoritmen

I et forsøg på at optimere algoritmen så Loredana Storelli og hendes kolleger nærmere på to patienter med T2-hyperintense infratentoriale læsioner og udtalt hjernesvind ved baseline. Her vurderede algoritmen, at begge patienters tilstand ville forværres, men det var kun tilfældet for den ene patient. Forskerne forsøgte at se ind i algoritmens ’maskinrum’ for at finde ud af, hvilken vægt den tildelte disse to observationer, og om det er muligt at justere på algoritmen, så den bliver bedre til at forudse patienternes prognose.

”Kunstig intelligens kan hjælpe læger med den vanskelige opgave, det er at analysere og forstå store mængder data. Men på den anden side kan lægernes erfaring og ekspertise forbedre den kunstige intelligens præstationer,” konkluderede Loredana Storelli.