Translating Imaging-based Brain Age Models for Predicting Accelerated Brain Ageing in African Populations: A Pilot Study on a Nigerian Cohort.

Het menselijk brein is geen statisch orgaan; het verandert van vorm en structuur naarmate we ouder worden. Net zoals onze huid rimpels ontwikkelt of onze botten aan dichtheid verliezen naarmate de tijd verstrijkt, ondergaat het brein een natuurlijke, geleidelijke transformatie. Wetenschappers hebben geleerd deze veranderingen te meten met behusing van magnetische resonantie-imaging, of MRI, om een concept genaamd "hersenoft" te creëren. Dit is een getal dat schat hoe oud iemands brein eruitziet op basis van de fysieke structuur, in plaats van hoeveel jaren iemand daadwerkelijk heeft geleefd. Als een brein ouder lijkt dan de werkelijke leeftijd van de persoon, kan dit een signaal zijn dat het orgaan onder druk staat of een risico loopt op ziekten zoals dementie. Jarenlang hebben onderzoekers dit idee gebruikt om te proberen gezondheidsproblemen vroegtijdig op te sporen. Echter, de instrumenten die worden gebruikt om deze hersenoft te berekenen, hebben een aanzienlijk gebrek: ze zijn bijna volledig gebouwd met gegevens van mensen uit Noord-Amerika, Europa en Australië. Deze modellen gaan ervan uit dat alle menselijke hersenen op dezelfde manier verouderen, ongeacht waar een persoon leeft of wat iemands achtergrond is. Deze aanname negeert het feit dat genetica, omgeving en zelfs de specifieke machines die worden gebruikt om de foto's te maken, invloed kunnen hebben op hoe een brein eruitziet.

Een team van onderzoekers zette zich in om te testen of deze in het Westen ontwikkelde instrumenten werken voor mensen in Afrika, specifelijk in Nigeria. Ze putten uit de Africa Neuroimaging Archive (AfNiA), een database met meerdere instellingen die meer dan 11.000 klinische hersenscans bevat van over het hele continent. Uit deze enorme database selecteerden ze zorgvuldig 309 scans van neurologisch gezonde volwassenen uit Nigeria, wat betekent dat zij geen bekende hersenziekten of afwijkingen hadden. Deze specifieke scans kwamen uit een verscheidenheid aan bronnen, waaronder publieke en private ziekenhuizen in Nigeria, en werden gemaakt met vijf verschillende soorten MRI-machines. Veel van deze beelden waren niet de scherpe, hoogwaardige 3D-beelden die gebruikelijk zijn in wetenschappelijk onderzoek; in plaats daarvan waren het vaak snellere, kwalitatief minder goede 2D-coupes die werden genomen om patiënten snel door de kliniek te laten bewegen. Om deze beelden bruikbaar te maken voor hun studie, gebruikte het team een computerprogramma om de 2D-coupes om te zetten in 3D-beelden, waarbij de gaten effectief werden opgevuld om een compleet beeld van het brein te creëren. Vervolgens onderwierpen ze deze beelden aan een strenge kwaliteitscontrole, waarbij ze alle scans verwijderden die te wazig of vervormd waren om nuttig te zijn, om ervoor te zorgen dat hun uiteindelijke dataset zo betrouwbaar mogelijk was binnen de beperkingen van de echte wereld.

Met hun schone dataset gereed, trainde het team een nieuw computermodel om de relatie tussen hersenstructuur en leeftijd specifiek voor deze Nigeriaanse populatie te leren. Ze leerden het model om naar de grootte en vorm van verschillende hersengebieden te kijken en te voorspellen hoe oud de persoon was. Wanneer ze dit nieuwe model testten, weken de voorspellingen gemiddeld ongeveer 9,8 jaar af voordat ze een standaard statistische correctie toepasten. Na het maken van een eenvoudige correctie om rekening te houden met een veelvoorkomende neiging in deze modellen om de leeftijd van jongere mensen te overschatten en die van oudere mensen te onderschatten, daalde de fout aanzienlijk tot slechts 6,4 jaar. Dit niveau van nauwkeurigheid is vergelijkbaar met de beste modellen die getraind zijn op grote, hoogwaardige datasets uit de Global North, maar dit werd bereikt met gegevens die veel representatiever waren voor de lokale populatie.

Om te zien hoe goed de oude, geïmporteerde modellen zouden presteren, testten de onderzoekers vier verschillende gevestigde hersenoft-instrumenten op dezelfde Nigeriaanse data. Deze instrumenten waren getraind op tienduizenden scans van mensen uit het VK, de VS en Europa. De resultaten waren schokkend. De geïmporteerde modellen maakten veel grotere fouten, waarbij sommige gemiddeld meer dan 16 jaar afwijken. Een van de meest geavanceerde deep learning-modellen, dat geprezen werd om zijn vermogen om te generaliseren naar nieuwe groepen, faalde volledig op een klein deel van de scans en kon de beelden helemaal niet verwerken. Een ander model presteerde zo slecht dat het zelfs de verkeerde richting van veroudering voor de groep voorspelde. De onderzoekers ontdekten dat deze modellen in feite probeerden de Nigeriaanse hersenen in een patroon te dwingen dat ze nog nooit hadden gezien, wat leidde tot verwarring en onnauwkeurige resultaten. De studie toonde aan dat zelfs de meest geavanceerde instrumenten niet simpelweg van continent naar continent kunnen worden overgebracht zonder hun betrouwbaarheid te verliezen.

De studie benadrukte ook de praktische uitdagingen van het brengen van deze technologieën naar omgevingen met beperkte middelen. Hoewel het nieuwe model dat zij bouwden accuraat was, kostte het proces van het voorbereiden van de beelden een enorme hoeveelheid tijd. Het converteren en analyseren van de scans voor alle 309 deelnemers vereiste bijna 40 dagen aan continue computerverwerking. Deze flessenhals, veroorzaakt door de noodzaak om de hersenbeelden in specifieke delen op te splitsen voordat het model ze kon lezen, is een grote hindernis voor het gebruik van deze instrumenten in drukke ziekenhuizen waar snelheid essentieel is. De onderzoekers merkten op dat hoewel er nieuwere, snellere methoden bestaan, deze vaak krachtige computers vereisen die niet overal in Afrika beschikbaar zijn. Dit creëert een moeilijke afweging: de meest accurate modellen zijn te traag en te duur voor breed gebruik, terwijl de snellere modellen vaak minder accuraat zijn of volledig falen op lokale data.

Uiteindelijk demonstreert dit werk dat de weg naar een betere hersengezondheid in Afrika een andere aanpak vereist. Het is niet voldoende om de instrumenten die in rijke landen zijn ontwikkeld te nemen en toe te passen op Afrikaanse populaties. De onderzoekers lieten zien dat door lokale gegevens te gebruiken om lokale modellen te bouwen, zij resultaten konden bereiken die zowel nauwkeuriger als relevanter waren voor de mensen die werden bestudeerd. Ze concludeerden dat de toekomst van de wereldwijde hersengezondheid afhangt van het creëren van een divers ecosysteem van instrumenten, elk gevalideerd voor de specifieke populaties die zij bedoeld zijn te helpen. Terwijl zij verder gegevens verzamelen van over het hele continent, hopen zij deze modellen verder te verfijnen, om uiteindelijk een systeem te creëren dat individuen die een risico lopen op versnelde hersenveroudering betrouwbaar kan identificeren, waardoor vroegtijdige interventie en betere zorg mogelijk wordt voor miljoenen mensen die lang uit het gesprek zijn gelaten.