Beregning av hjernealder kan si noe om sykdomsstatus

ECTRIMS 2022, AMSTERDAM (Dagens Medisin): Lars Skattebøl, lege og doktorgradsstipendiat ved Oslo universitetssykehus (OUS), har i studien «Brain age in multiple sclerosis: A Comparison Between Machine Learning and Deep Learning Models» sammenlignet to metoder for å måle hjernealder.

De to metodene som er sammenlignet i studien, er tradisjonell maskinlæring og en dyplæringbasert modell, som er en subtype av maskinlæring.

Onsdag ettermiddag holdt han foredrag om forskningen på MS-kongressen ECTRIMS 2022 i Amsterdam.

Stor forskjell i antall trekk som undersøkes

Normalt skal hjernen eldes i takt med kronologisk alder, men i noen tilfeller øker hjernealderen raskere enn den kronologiske alderen.

Skattebøl forteller at det kan være flere faktorer som bidrar til at dette skjer, som for eksempel hjerneslag, betennelsessykdom eller traumatisk hodeskade, men at mekanismene bak kan være forskjellige.

Bakgrunnen for studien av pasienter med multippel sklerose, er at man i senere tid har sett tegn til en nevrodegenerativ sykdomskomponent i sykdommen.

I studien har forskerne samlet over 4500 MR-bilder fra 1500 MS-pasienter fra Norge og Sverige. Noen av pasientene er skannet flere ganger, opptil 16 ganger.

– Vi har sett på hjernealder og hvor mye den avviker fra kronologisk alder, samt hvor mye MS-sykdommen forandrer seg i takt med utviklingen.

Skattebøl forklarer at ved maskinlæring er man avhengig av å predefinere hva algoritmen skal se etter.

Som eksempel forklarer han at hvis man vet at driveren er atrofi, som er en av de sterkeste driverne til økt hjernealder og per i dag er det som er den mest målevennlige egenskapen, så programmeres maskinlæring til å se etter dét og dét målepunktet.

Ved dyplæring er dette lettere, forklarer han.

– Dyplæringsalgoritmen tar selv utgangspunkt i hvilke strukturelle MR-parametere den tar hensyn til for å nå frem til en gitt klassifikasjon.

Han sier problemet med å trekke ut strukturelle parametere manuelt, er at man for eksempel kan ha store sykdomsrelaterte forandringer på MR og være relativt fin i formen, og vice versa.

– Dette betegner vi dag som det kliniske-radiologiske paradokset.

Matet inn 42.000 MR-bilder

Skattebøl forklarer at ved maskinlæring ser man på 1118 trekk på MR-bildene.

– Mens ved dyplæring ser man på tre millioner trekk som teknologien trekker ut selv.

Han sier at før man bruker dyplæringsteknologien, må den trenes opp, og programmeres til å definere hva den skal klassifisere. I motsetning til tradisjonell maskinlæring, har man da ikke behov for å definere hvilke parametere som gir opphav til klassifikasjonen. 

– Vi «matet» inn 42 000 MR-bilder fra friske kontroller for å oppnå en klassifisering av hjernen på ulike tidspunkt i livet. Dette er «treningsfasen». Per MR-bilde, benytter den seg av 3 millioner strukturelle trekk for å knytte hvert MR-bilde opp mot en gitt alder ved å se på treningsgrunnlaget som en referanse. Slik evner den å klassifisere en hjerne.

Skattebøl sier at dyplæringsalgoritmen ser ut til å være mer brukervennlig på tvers av ulike kohorter og at teknologien klarer å generalisere bedre enn maskinlæring. Foto: Michael Chr. A. Simonsen

– Maskinlæring er veldig rettet mot det den er programmert mot.

Markør for risiko?

Når det gjelder å sette kunnskap om reduksjon i hjernevolum i sammenheng og opp mot sykdomsprogresjon, eller å benytte hjernealder som en markør for risiko for sykdomsprogresjon, sier Skattebøl at det er mye man ikke vet.

I studien er det funnet at begge modellene hadde signifikant assosiasjon til klinisk funksjonsnivå og begge korrelerte med sykdomsvarighet. Altså viste begge modeller signifikante assosiasjoner for økt hjernealder med høyere EDSS-skår.

– Vi så at dyplæring presterte bedre på tvers av skannere og magnetfelt enn tradisjonell maskinlæring. Metoden var også bedre til å kompensere for støy på en måte man ikke kan korrigere for på noen annen en god måte. En fordel med dyplæring er at den generelt sett også er lettere å implementere på tvers av ulike sykehus.

Teknologien kan også benyttes til i alle tilstander der man antar at det foreligger en nevrodegenerativ komponent, som for eksempel demenstilstander, Parkinson, schizofreni eller post-traumatisk hodeskade.

Forskerne skriver i abstractet at fremtidige studier bør utforske dyplæring i et prospektivt design.

Relevant i forhold til forventet behandlingseffekt

På spørsmål om hvordan studien og metoden er viktig med tanke på metodeutvikling, sier Skattebøl at et av de store problemene og utfordringene i dag er at konvensjonell MR ikke sier noe om hvor langt pasienten er i sykdomsforløpet.

– Vi kan ikke basere oss på vanlig MR for si noe alderen til spesifikke MS-flekker, risiko for varige nevrologiske utfall, attakkrisiko eller å spå terapeutisk effekt på et tidlig tidspunkt. Man er nødt til å vente i et halvår eller et år for å si noe om sikker medikamentell effekt.

Legen forklarer at hjernealder kan gi et overblikk av en total degenerativ opphopning, og kan dermed bidra med informasjon som er relevant i forhold til forventet behandlingseffekt eller utkom.

– For prognose, vet vi at tidlig oppstart av høyeffektiv behandling er viktig. Av hensyn til forventet behandlingseffekt, er derfor svært viktig å vite hvor langt sykdommen er kommet. Jeg tror ikke hjernealder forandrer seg raskt, på tre til seks måneder, men hvis man gjør det en gang i året kan man etter noen år si noe om utviklingen.

– Vi er blitt flinkere til å stanse attakkrate, men vi vet lite om hvordan medikamenter påvirker grad av nevrodegenerasjon og hjernealder.

Doktorgradsstipendiaten viser til at MR-bilder kan man vise flekker på hjernen hos en pasient og hvor store de er.

– Men det blir verre å vurdere jo eldre en pasient blir fordi da kommer også flekker av hvit substans, som er helt naturlig og ikke har noe med sykdomsutvikling å gjøre. Vi har behov for å se eller måle på andre måter.

Markører for respons på behandling

Skattebøl mener MS-feltet har en del å lære av kreft-feltet.

– Man tror MS er en sykdom med utgangspunkt fra immunsystemet. Per nå har vi 233 gener som er assosiert med MS, noen mer enn andre. En pasient kan ha én eller flere av disse genene før sykdommen utløses, men noen fasit på dette eksisterer ikke. To pasienter kan i tillegg ha identiske kliniske og radiologiske symptomer, men reagere vidt forskjellig på behandling. Der kan vi trenge markører for respons på behandling.

Interessekonflikt: Lars Skattebøl oppgir å ha mottatt Honorar for forelesning fra Biogen og Merck, og honorar for paneldiskusjon fra Sanofi etter å ha forfattet studieartikkel.