การพัฒนาโมเดลการเรียนรู้เชิงลึกเพื่อทำนายระยะและศึกษากลุ่มย่อยของโรคสมองเสื่อมชนิดอัลไซเมอร์โดยอาศัยข้อมูลภาพถ่ายรังสีโพสิตรอน และถ่ายโอนการเรียนรู้ไปยังข้อมูลโปรตีโอมิกส์ในน้ำเลือดเพื่อการวินิจฉัยโรคในระยะแรกเริ่ม

ชื่อนักเรียนผู้จัดทำโครงงานวิทยาศาสตร์

ไอริณ อินทรทัต

อาจารย์ที่ปรึกษาโครงงานวิทยาศาสตร์

ปัทมาพร ณ น่าน

โรงเรียนที่กำกับดูแลโครงงานวิทยาศาสตร์

โรงเรียนชลราษฎรอำรุง

ปีที่จัดทำโครงงานวิทยาศาสตร์

พ.ศ. 2566

บทคัดย่อโครงงานวิทยาศาสตร์

Alzheimer's disease (AD) is a predominant cause of progressive memory loss. Heterogeneity of AD demands early and precise diagnosis for targeted treatment. Traditional methods of disease characterization require radiological imaging techniques, which are costly, time-consuming, and not easily accessible. Blood liquid biopsy has gained increasing promise as an early diagnostic alternative. However, identification of blood-based markers is still complicated due to multiple patient-specific blood-based features.

To address the challenges, this study introduces a deep learning framework to learn AD characteristics from FDG-PET spatial brain activity data, and use this knowledge to guide disease subtype identification from blood proteomic profiles. Firstly, supervised deep learning models with pre-trained encoders is used to correlate FDG-PET data with cognitive test scores and disease stages. The model employs multi-task learning, transfer learning, and metric learning. Following this, encoded feature vectors are subjected to unsupervised learning algorithms to identify disease subtypes. Subsequently, the model is transferred to guide disease subtype identification from blood proteomic data. The proteomic encoder with a feature selection layer and self-attention mechanisms is connected to the predictor layers from the trained FDG-PET model with frozen weights. This predictor guides proteomic encoding by leveraging the previously learned feature representations. Finally, the spatial analysis of functional enrichment technique is used to investigate biologically relevant plasma protein biomarkers.

The study's experimental design includes variations in architectures and examines the impact of transfer and metric learning. By doing so, this research aims to provide an efficacious framework for AD subtype identification and early detection.