Prediktion av Alzheimers sjukdom med djupinlärning och XAI-baserat tolkbart urval av funktioner från blodets genuttrycksdata

Varför denna forskning är viktig

Alzheimers sjukdom berövar människor minne och självständighet i slow motion, men dagens mest exakta tester kräver ofta hjärnavbildning eller lumbalpunktioner som är dyra, invasiva och svåra att upprepa. Denna studie undersöker ett mindre besvärligt alternativ: att med ett enkelt blodprov och avancerad datoranalys identifiera mönster i genaktivitet som signalerar Alzheimers, vilket potentiellt kan bana väg för tidigare och mer tillgänglig diagnostik.

Ett blodtest istället för en hjärnskanning

Författarna fokuserar på små förändringar i hur gener slås på eller av i blodceller. Moderna laboratoriechip kan mäta aktiviteten hos tusentals gener samtidigt och genererar en massiv tabell med siffror för varje person. Utmaningen är att det finns långt fler genmätningar än patienter, vilket lätt kan vilseleda datorbaserade modeller. För att komma runt detta kombinerade forskarna tre stora publika dataset med blodprover från personer med Alzheimers och från friska frivilliga, och skapade en integrerad resurs med över tolv tusen delade gener mätta i hundratals individer.

Lära datorer att plocka ut viktiga varningssignaler

I stället för att låta en algoritm bearbeta alla tolv tusen gener lärde teamet den först att välja en mycket mindre uppsättning särskilt informativa gener. De jämförde flera sätt att göra detta, inklusive enkla statistiska tester, metoder som stegvis tar bort mindre användbara gener och tillvägagångssätt som bygger in urvalet direkt i modellen. Dessa ”feature selection”-verktyg krympte listan till hundratals eller lite över tusen gener som bäst skilde patienter från friska kontroller. De reducerade genuppsättningarna hjälpte modellerna att undvika att memorera brus och förbättrade deras prestanda på osedd data.

Att förstå en svart låda

För att undvika blind tilltro till en svart-låda-prediktion använde forskarna tekniker för förklarbar artificiell intelligens för att förstå vilka gener som spelade störst roll och hur de påverkade varje beslut. En metod kallad SHAP, hämtad från spelteori, poängsätter varje gens bidrag till det slutliga utfallet för varje person. Genom att tillämpa den på sina bäst presterande modeller lyfte författarna fram en kärngrupp gener vars aktivitetsmönster konsekvent lutade bedömningen mot Alzheimers eller frisk klassificering. Många av dessa gener har redan kopplats till hjärnhälsa eller immunfunktion, vilket ger biologisk trovärdighet åt modellens inre mekanismer.

Öka styrkan med syntetiska patienter

Även efter sammanslagning av dataset förblev antalet verkliga blodprover måttligt. För att stärka sina modeller tränade författarna en specialiserad typ av neuralt nätverk, känt som ett generativt adversariellt nätverk, för att skapa realistiska syntetiska genprofiler som liknar faktiska patienters. Dessa artificiella prover lades endast till i träningsdata, aldrig i testdata, så att prestandakontrollerna förblev ärliga. Med detta utökade träningsunderlag och noggrant utvalda gener lyckades ett djupt neuralt nätverk identifiera Alzheimersfall med cirka 91 % total noggrannhet och 95 % precision, vilket betyder att mycket få friska personer felaktigt flaggades som sjuka.

Vad fynden betyder för patienter

Denna studie tyder på att ett framtida blodbaserat test för Alzheimers, drivet av smarta algoritmer som både väljer och förklarar viktiga gensignaler, skulle kunna komplettera eller till och med minska beroendet av kostsamma skanningar och invasiva procedurer. Även om mer validering behövs i oberoende patientgrupper och skillnader mellan laboratoriemetoder måste kontrolleras bättre, visar arbetet att kombinationen av flera dataset, borttrimmning av oönskad information och öppnande av AI:s ”svarta låda” kan föra oss närmare ett praktiskt, tolkningsbart blodtest för tidigare och mer skonsam upptäckt av Alzheimers.

Citering: Hariharan, J., Jothi, R. Alzheimer’s disease prediction using deep learning and XAI based interpretable feature selection from blood gene expression data. Sci Rep 16, 8022 (2026). https://doi.org/10.1038/s41598-026-35260-8

Nyckelord: Alzheimers diagnos, blodmarkörer, genuttryck, djupinlärning, förklarbar AI