Federatieve causale inferentie om structurele hersenschade te koppelen aan cognitieve stoornissen bij multiple sclerose

Een belangrijk probleem in multiple sclerose (MS) is de klinisch-radiologische paradox: het ontbreken
van een sterk verband tussen hersenschade zoals te zien op hersenfoto's en de fysieke en cognitieve
status van een patiënt. Cognitieve stoornissen treffen één op de twee patiënten en hebben
belangrijke implicaties in het dagelijks leven.
In dit project zullen we kunstmatige intelligentie (AI) gebruiken om biomarkers voor beeldvorming te
vinden voor de cognitieve toestand van mensen met MS. De eerste toepassing van AI is een slimme
compressie van informatie in de hersenbeelden. Vervolgens trainen we een AI-model om de
cognitieve toestand van MS-patiënten te voorspellen op basis van dit gecomprimeerde beeld, waarbij
we gebruikmaken van een techniek genaamd federated learning die het trainen van modellen toelaat
zonder data te delen. Tot slot onderzoeken we of causale inferentie modellering, een derde AItechniek, de voorspelling in de tweede stap kan verbeteren en verborgen causale relaties kan
blootleggen om nieuw licht te werpen op de paradox.
Naast methodologische vooruitgang in combinaties van AI-technieken, zijn de klinische vooruitgang
van dit project [1] nieuwe, causale inzichten in de paradox en [2] een model dat een voorselectie
maakt van patiënten die rigoureus neuropsychologisch onderzoek nodig hebben uit routinematige beeldvorming van de hersenen tijdens klinische follow-up, waardoor klinisch personeel eerder kan
ingrijpen om verdere achteruitgang te voorkomen.