Sztuczna inteligencja może pomóc wykryć chorobę Alzheimera za pomocą rutynowych badań obrazowych mózgu

streszczenie: Korzystając z danych neuroobrazowania, nowy algorytm głębokiego uczenia był w stanie wykryć chorobę Alzheimera z dokładnością 90,2%.

źródło: masa publiczna

Chociaż naukowcy poczynili ogromne postępy w wykrywaniu objawów choroby Alzheimera za pomocą wysokiej jakości testów obrazowania mózgu zebranych w ramach badań naukowych, zespół z Massachusetts General Hospital (MGH) opracował niedawno dokładną metodę wykrywania opartą na klinicznych obrazach mózgu zebranych organicznie. rutyna. Postęp może prowadzić do dokładniejszych diagnoz.

Do badania opublikowanego w Plus jedenMatthew Lemming, pracownik naukowy w MGH Center for Systems Biology i badacz w Alzheimer’s Disease Research Center w Massachusetts, wraz ze współpracownikami wykorzystał głębokie uczenie się – rodzaj uczenia maszynowego i sztucznej inteligencji, które wykorzystuje duże ilości danych i złożone algorytmy trenować modele.

W tym przypadku naukowcy opracowali model do wykrywania choroby Alzheimera na podstawie danych z obrazów rezonansu magnetycznego (MRI) mózgu zebranych od pacjentów z chorobą Alzheimera i bez niej, którzy byli widziani w MGH przed 2019 r.

Następnie grupa przetestowała model w pięciu zbiorach danych — MGH po 2019 r., Brigham and Women’s Hospital przed i po 2019 r. oraz systemy zewnętrzne przed i po 2019 r. — aby sprawdzić, czy może dokładnie wykryć chorobę Alzheimera w oparciu o prawdziwość globalnych danych klinicznych, niezależnie od szpitala i czasu.

W sumie wyszukiwanie obejmowało 11 103 zdjęć od 2348 pacjentów zagrożonych rozwojem choroby Alzheimera i 26 892 zdjęć od 8456 pacjentów bez choroby Alzheimera. We wszystkich pięciu zestawach danych model wykrył ryzyko choroby Alzheimera z dokładnością 90,2%.

Główną innowacją prac była zdolność do wykrywania choroby Alzheimera niezależnie od innych zmiennych, takich jak wiek. „Choroba Alzheimera zwykle występuje u osób starszych, dlatego modele głębokiego uczenia się często mają trudności z wykryciem rzadszych wczesnych przypadków” – mówi Lemming.

„Zajęliśmy się tym, czyniąc model głębokiego uczenia się„ ślepym ”na cechy mózgu, które okazały się nadmiernie skorelowane z wiekiem wspomnianego pacjenta”.

Lemming zauważa, że ​​kolejnym powszechnym wyzwaniem w wykrywaniu chorób, zwłaszcza w rzeczywistych warunkach, jest radzenie sobie z danymi, które bardzo różnią się od zbioru uczącego. Na przykład model głębokiego uczenia wytrenowany na MRI ze skanera firmy General Electric może nie rozpoznawać obrazów MRI zebranych na skanerze firmy Siemens.

Model wykorzystywał miarę niepewności, aby określić, czy dane pacjenta nie różnią się zbytnio od tego, na czym został przeszkolony, aby móc dokonać udanej prognozy.

„Jest to jedno z nielicznych badań, w których rutynowo wykorzystywano rezonans magnetyczny mózgu do wykrywania demencji. Chociaż przeprowadzono wiele badań głębokiego uczenia się w celu wykrycia choroby Alzheimera za pomocą rezonansu magnetycznego mózgu, to badanie stanowi istotny krok w kierunku wykonania tego w realistyczny sposób” środowisk klinicznych, a nie wyidealizowanych warunków laboratoryjnych” – powiedział Lemming.

„Nasze wyniki – uogólnione w całym ośrodku, w czasie i populacji – stanowią mocny argument za klinicznym zastosowaniem tej technologii diagnostycznej”.

Dodatkowi współautorzy to dr Sudeshna Das i dr Hyungsoon Im.

Finansowanie: Prace te były wspierane przez Narodowe Instytuty Zdrowia oraz w ramach Programu Innowacji Technologicznych finansowanego przez Ministerstwo Handlu, Przemysłu i Energii Republiki Korei, który był zarządzany na podstawie umowy podwykonawczej z MGH.

O tej sztucznej inteligencji i wiadomościach naukowych o chorobie Alzheimera

autor: Braddon Chase
źródło: masa publiczna
Komunikacja: Braddon Chase – Msza generalna
zdjęcie: Obraz jest w domenie publicznej

Zobacz też

Oryginalne wyszukiwanie: otwarty dostęp.
„Kontradycyjna regresja zamieszania i miary niepewności do klasyfikacji heterogenicznego klinicznego MRI w Mass General Brigham.Mateusza Lemminga i in. Plus jeden

podsumowanie

Kontradycyjna regresja zamieszania i miary niepewności do klasyfikacji heterogenicznego klinicznego MRI w Mass General Brigham.

W tej pracy wprowadzamy nową architekturę głębokiego uczenia się, MUCRAN (Multi Correlative Regression Adversarial Network), aby trenować model głębokiego uczenia się na MRI mózgu z wycofanymi demograficznymi i technicznymi czynnikami zakłócającymi.

Przeszkoliliśmy firmę MUCRAN, korzystając z 17 076 klinicznych skanów MRI mózgu T1 zebranych w szpitalu Massachusetts General Hospital przed 2019 r. i wykazaliśmy, że firma MUCRAN może z powodzeniem usuwać główne czynniki zakłócające w ogromnym zbiorze danych klinicznych. Zastosowaliśmy również metodę pomiaru niepewności w zestawie tych modeli, aby automatycznie wykluczyć dane spoza dystrybucji w wykrywaniu AD.

Łącząc MUCRAN z metodą szacowania niepewności, wykazaliśmy stały i znaczący wzrost dokładności wykrywania AD dla świeżo zebranych danych MGH (po 2019 r.; 84,6% z MUCRAN vs. 72,5% bez MUCRAN) oraz dla danych z innych szpitali (90,3%) Brigham i Women’s oraz 81,0% z innych szpitali).

MUCRAN przedstawia uogólnione podejście do wykrywania chorób oparte na głębokim uczeniu się w heterogenicznych danych klinicznych.