Zespół badaczy zaprezentował ProMUSE, adaptacyjny system sztucznej inteligencji do diagnozowania choroby Alzheimera, który zmniejsza potrzebę drożych badań obrazowych. Metoda opiera się na paradygmacie etapowej akwizycji danych: najpierw wykonuje się tanie oceny kliniczne, a droższe testy MRI i PET dodawane są tylko gdy system uzna to za konieczne.
Algorytm wykorzystuje dwie kluczowe techniki. Po pierwsze, klasyfikację evidencjalną opartą na modelu logiki subiektywnej Dirichleta, która kwantyfikuje niepewność predykcji. Po drugie, teorię Dempster-Shafera do fuzji informacji z wielu modalności, łącząc wiarę w diagnozę z miarami niepewności. Gdy niepewność na podstawie samych danych klinicznych przekroczy wyuczony próg, sieć progresywnie dodaje informacje z MRI, a następnie PET, iteracyjnie ulepsza diagnozę.
Badania przeprowadzone na trzech dużych bazach danych — ADNI, AIBL i OASIS — wykazały, że ProMUSE osiąga porównywalne lub lepsze wyniki niż systemy wymagające pełnego zestawu modalności. To znaczące osiągnięcie dla praktyki klinicznej: zmniejszenie kosztów diagnozy Alzheimera przy utrzymaniu dokładności ma potencjał, by uczynić wczesne wykrywanie choroby dostępniejszym w placówkach z ograniczonymi zasobami. Wczesne fazy Alzheimera reagują dobrze na leczenie, więc dostęp do szybkiej i taniej diagnozy może mieć duży wpływ na rezultaty terapii.