加齢に伴い、私たちの脳は内在的・外在的要因の影響を受け、構造的・細胞的な変化を遂げる。脳の老化が加速すると、神経変性疾患、双極性障害、死亡率のリスクが高まる。こうした加齢による脳の働きを深く理解するために、研究者たちは、加齢による変化に脆弱な脳の部位を特定できる強力なAIツールを構築したという。
研究チームは、AIを使って『HistoAge』と呼ばれるアルゴリズムを開発した。このアルゴリズムは、ヒトの脳組織標本の細胞構成に基づいて死亡時年齢を予測するもので、平均5.45歳（±0.22歳）の精度を示した。研究チームは、死亡した689人のデジタル化されたヒト海馬（脳の一部）切片を用いて、脳年齢推定モデルを開発した。
脳の老化を早める要因のマッピング
海馬は脳の老化と加齢に依存する神経変性疾患の両方に関与していることが知られており、この解析には理想的な部位である。
研究チームは、脳のデジタル化された断面をAIモデルに学習させ、死亡年齢を推定した。研究チームは、「モデルが予測した年齢と実際の年齢との差を用いて、脳の年齢加速度を導き出しました。このデータは、HistoAgeが病的な脳の老化の全体的な定量指標を提供する可能性を示唆しており、脳の老化と加齢関連疾患の発症の根本的なメカニズムの理解を進める可能性があります」と、プレスリリースで述べている。
研究チームは、このモデルが老化の特徴を効果的に利用し、病的老化の危険因子と老化を成功に導く保護因子を推定できることを実証した。また、このモデルは、加齢に伴う変化に脆弱な脳の新規解剖学的領域を発見した。
診断におけるAI
脳の老化や神経変性疾患を研究するためのMRIスキャンなどのこれまでのアプローチでは、病理学的な脳の老化を組織学的なレベルで包括的に定量化する能力に限界があったと、この研究の研究者たちは説明している。著者らは、MRIは細胞集団レベルで起こる巨視的変化しか捉えることができないが、この技術は従来の神経画像では捉えられなかった細胞の特徴を評価する能力を提供する、と指摘している。
本研究の共著者であるKurt Farrell博士は、「われわれの新しいHistoAgeモデルは、AIが老化と神経変性のメカニズムについてさらなる発見の道を開く方法の一例に過ぎません。臨床科学者は、研究や診断の場面でAIをますます活用するようになっています。これは医療に革命をもたらすツールであり、私たちはこの分野のリーダーとして、機械学習を最適化し、私たちの医療システムの思いやりのあるケアへのコミットメントに取って代わるのではなく、すべての患者の診断と治療を改善することに興奮しています」と、述べている。
論文
- Acta Neuropathologica: Histopathologic brain age estimation via multiple instance learning
参考文献
- Mount Sinai: Mount Sinai Researchers First to Develop Age Prediction Model on Human Brain Tissue Using Artificial Intelligence
- bbb
研究の要旨
脳における加齢加速、つまり生物学的年齢と年代的年齢の不一致を理解することは、正常な生理学に対するメカニズム的洞察を明らかにするだけでなく、加齢に関連した機能低下の病理学的決定要因を解明し、アルツハイマー病やその他の疾患の文脈における初期の疾患変化を特定することができる。病理組織学的ホールスライド画像は、加齢加速を評価するディープラーニングモデルを構築するために活用できる、細胞レベルの病理学的データを豊富に提供する。ここでは、デジタル化されたヒト死後海馬切片のコレクションを用いて、組織学的脳年齢推定モデルを開発した。我々のモデルは、平均絶対誤差5.45±0.22年の範囲内で脳年齢を予測し、加齢に関連した変化に脆弱な神経解剖学的領域に対応する注目の重みを示した。病理組織学的脳年齢加速度は、エピジェネティックな指標では認められなかった臨床的・病理学的転帰と有意な関連を示した。この結果は、病理組織学的脳年齢は、脳の老化に寄与する因子を理解するための強力な独立した指標であることを示している。
コメントを残す