Alzheimers sygdom (AD) er den hyppigste årsag til demens og udgør en stigende global folkesundhedsudfordring. På trods af omfattende forskning er tidlig diagnostik fortsat vanskelig, da sygdomsrelaterede forandringer i hjernen opstår mange år før de første kliniske symptomer viser sig. Dette ph.d.-projekt undersøger forskelle mellem normal og patologisk aldring ved at analysere cerebral glukosemetabolisme, cerebral blodgennemstrømning, samt akkumulering af amyloid plaques hos personer med Mild Cognitive Impairment (MCI) og Alzheimers sygdom.
Ved hjælp af avanceret multimodal PET/MR-billeddannelse undersøges strukturelle, funktionelle og metaboliske ændringer i hjernen. Billedbaserede biomarkører kombineres med blodbaserede biomarkører for at forbedre forståelsen af sygdommens tidlige patofysiologiske mekanismer. Kunstig intelligens (AI), herunder convolutional neural networks (CNN), anvendes til at identificere subtile og komplekse mønstre i multimodale billeddata, som ikke nødvendigvis kan påvises ved konventionelle analysemetoder.
Projektet bygger videre på tidligere forskning i sund aldring og udvider analysen til patienter med kognitiv svækkelse. Ved at sammenligne mønstre for normal og patologisk aldring er formålet at identificere tidlige indikatorer for sygdomsprogression såsom blodbiomarkører, som kan bidrage til tidligere og mere præcis diagnostik samt forbedrede behandlingsstrategier. Tidlig identifikation af sygdomsrelaterede ændringer kan muliggøre rettidig intervention med potentiale for at forsinke sygdomsudviklingen og forbedre livskvaliteten for patienter og deres pårørende.
Samlet set integrerer projektet neurobilleddannelse, blodbiomarkøranalyse og AI-baseret dataanalyse for at øge forståelsen af sygdomsmekanismer ved AD og bidrage til udviklingen af præcisionsmedicinske tilgange inden for neurodegenerative sygdomme.