Onderzoekers hebben aangetoond dat beelden van het netvlies met hoge nauwkeurigheid onderscheid kunnen maken tussen verschillende neurodegeneratieve aandoeningen, zoals ALS en de ziekte van Alzheimer. Dat blijkt uit een studie naar een nieuwe niet-invasieve diagnostische methode.
Op dit moment bestaan er nog geen objectieve diagnostische tests voor amyotrofische laterale sclerose (ALS) of frontotemporale lobaire dementie met TDP-43-pathologie (FTLD-TDP). Bij deze aandoeningen stapelt het eiwit TDP-43 zich op in respectievelijk het ruggenmerg en de hersenen, wat leidt tot progressieve schade aan het zenuwstelsel.
Niet-invasieve diagnostiek
Onderzoekers van de University of Waterloo ontwikkelden een snelle, niet-invasieve en relatief betaalbare diagnostische methode op basis van retinabeelden. Volgens de onderzoekers kan deze technologie bijdragen aan een eerdere diagnose van neurodegeneratieve aandoeningen. Dat maakt tijdige interventies mogelijk die de progressie van de ziekte kunnen vertragen en kan tegelijkertijd de ontwikkeling van gerichtere behandelingen ondersteunen. Het onderzoek is gepubliceerd in het wetenschappelijke tijdschrift Alzheimer’s & Dementia.
“Dit is een belangrijke stap richting een eerdere en nauwkeurigere diagnose,” zegt Melanie Campbell, emeritus hoogleraar natuurkunde en optometrie. “FTLD en ALS worden momenteel meestal pas vastgesteld wanneer symptomen zichtbaar worden, terwijl de ziekte dan vaak al vergevorderd is. Als we deze aandoeningen eerder kunnen detecteren, kan dat een grote impact hebben op de behandeling.”
Polarisatielicht en AI
Voor het onderzoek gebruikten de wetenschappers gepolariseerd licht om eiwitafzettingen in gedoneerde netvliesmonsters te visualiseren. Ze analyseerden retinamonsters van patiënten met de ziekte van Alzheimer en vergeleken deze met monsters van patiënten met FTLD-TDP en ALS.
Door de interactie van licht met de eiwitafzettingen te analyseren, konden de onderzoekers onderscheid maken tussen afzettingen van amyloïd-beta, die geassocieerd zijn met Alzheimer, en TDP-43-afzettingen, die kenmerkend zijn voor FTLD en ALS. Op basis van deze patronen kon bovendien een inschatting worden gemaakt van de ernst van de ziekte in de hersenen.
De onderzoekers voerden de gegevens over de lichtinteractie ook in twee AI-modellen in: Random Forest, een methode gebaseerd op ensemble learning, en convolutionele neurale netwerken, een AI-techniek die gespecialiseerd is in beeldanalyse. Beide modellen bleken in staat om de verschillende eiwitafzettingen van elkaar te onderscheiden. Random Forest voorspelde de juiste ziekte in 86 procent van de gevallen, terwijl de convolutionele neurale netwerken een nauwkeurigheid van 96 procent bereikten.
Potentie voor eenvoudige oogtest
Volgens de onderzoekers kan de technologie zich de komende jaren ontwikkelen tot een eenvoudige oogtest die verschillende hersenziekten kan detecteren en van elkaar kan onderscheiden.
“Wij hopen dat deze technologie binnen enkele jaren uitgroeit tot een simpele oogtest waarmee meerdere hersenziekten kunnen worden opgespoord en onderscheiden,” aldus Campbell. “Dat zou patiënten, ook in kleinere of minder goed bediende regio’s, toegang kunnen geven tot snelle diagnostiek. Een toegankelijke en snelle test kan een groot verschil maken voor patiënten en hun families.”
Diagnostiek met traanvocht
Vorig jaar ontdekten onderzoekers dat traanvocht in de toekomst mogelijk kan dienen als een veelbelovende niet-invasieve bron voor de vroege opsporing van oogziekten en neurodegeneratieve aandoeningen zoals Alzheimer en Parkinson.
Tot nu toe worden oogziekten vaak onderzocht via het zogeheten kamer- of glasvocht, vloeistoffen binnenin het oog die alleen via invasieve methoden kunnen worden verkregen. Tranen vormen een laagdrempelig alternatief. Ze bevatten extracellulaire blaasjes (EV’s). Dit zijn minuscule deeltjes die door cellen worden uitgescheiden en waardevolle moleculaire informatie dragen, zoals eiwitten, lipiden en nucleïnezuren. Deze informatie blijft bovendien goed beschermd binnen de EV’s.
