Přístup AI může pomoci odhalit Alzheimerovu chorobu prostřednictvím rutinních testů zobrazování mozku

souhrn: Pomocí neuroimagingových dat byl nový algoritmus hlubokého učení schopen detekovat Alzheimerovu chorobu s přesností 90,2 %.

zdroj: veřejná mše

Přestože vědci udělali velký pokrok v odhalování příznaků Alzheimerovy choroby pomocí vysoce kvalitních testů zobrazování mozku shromážděných v rámci výzkumných studií, tým z Massachusetts General Hospital (MGH) nedávno vyvinul přesnou metodu detekce založenou na klinických snímcích mozku shromážděných organicky. .rutina. Pokrok může vést k přesnější diagnóze.

Pro studii publikovanou v Plus jednaMatthew Lemming, PhD, výzkumný pracovník z MGH Center for Systems Biology a vyšetřovatel z Centra pro výzkum Alzheimerovy choroby v Massachusetts, a jeho kolegové použili hluboké učení – typ strojového učení a umělé inteligence, který využívá velké množství dat a složité algoritmy. trénovat modely.

V tomto případě vědci vyvinuli model pro detekci Alzheimerovy choroby na základě dat ze snímků mozku z magnetické rezonance (MRI) shromážděných od pacientů s Alzheimerovou chorobou a bez ní, kteří byli pozorováni v MGH před rokem 2019.

Poté skupina testovala model na pěti souborech dat – MGH po roce 2019, Brigham and Women’s Hospital před a po roce 2019 a externí systémy před a po roce 2019 – aby zjistila, zda dokáže přesně detekovat Alzheimerovu chorobu na základě pravdivosti globálních klinických dat. bez ohledu na nemocnici a čas.

Celkově vyhledávání zahrnovalo 11 103 snímků od 2 348 pacientů s rizikem rozvoje Alzheimerovy choroby a 26 892 snímků od 8 456 pacientů bez Alzheimerovy choroby. Ve všech pěti souborech dat model detekoval riziko Alzheimerovy choroby s přesností 90,2 %.

Zásadní inovací práce byla její schopnost detekovat Alzheimerovu chorobu bez ohledu na další proměnné, jako je věk. „Alzheimerova choroba se obvykle vyskytuje u starších dospělých, a tak modely hlubokého učení mají často potíže s odhalováním vzácnějších raných případů,“ říká Lemming.

„Vyřešili jsme to tím, že jsme udělali model hlubokého učení „slepým“ vůči funkcím mozku, u kterých bylo zjištěno, že příliš korelují s věkem uvedeného pacienta.“

Další běžnou výzvou při detekci nemocí, zejména v reálném prostředí, je práce s daty, která se velmi liší od trénovací sady. Například model hlubokého učení vyškolený na MRI ze skeneru vyrobeného společností General Electric nemusí rozpoznat snímky MRI shromážděné na skeneru vyrobeném společností Siemens.

Model používal míru nejistoty k určení, zda se data pacienta příliš nelišila od toho, na čem byla trénována, aby bylo možné provést úspěšnou předpověď.

„Jedná se o jednu z mála studií, která rutinně používala MRI mozku k pokusu odhalit demenci. I když bylo provedeno velké množství hloubkových studií k odhalení Alzheimerovy choroby pomocí MRI mozku, tato studie činí podstatné kroky k tomu, aby to skutečně bylo v Realistice.“ spíše v klinickém prostředí než v idealizovaných laboratorních podmínkách,“ řekl Lemming.

„Naše výsledky – se zobecnitelností napříč lokalitou, časovým omezením a populací – jsou silným argumentem pro klinické použití této diagnostické technologie.“

Mezi další spoluautory patří Sudeshna Das, PhD, a Hyungsoon Im, PhD.

Financování: Tato práce byla podporována Národním institutem zdraví a prostřednictvím programu technologických inovací financovaného Ministerstvem obchodu, průmyslu a energetiky Korejské republiky, který byl spravován prostřednictvím subdodávky s MGH.

O této zprávě z výzkumu umělé inteligence a Alzheimerovy choroby

autor: Braddon Chase
zdroj: veřejná mše
sdělení: Braddon Chase – General Mass
obrázek: Obrázek je ve veřejné doméně

Viz také

Původní vyhledávání: otevřený přístup.
„Adversariální míra regrese zmatenosti a nejistoty pro klasifikaci heterogenní klinické MRI v Mass General Brigham.Matthew Lemming a kol. Plus jedna

shrnutí

Adversariální míra regrese zmatenosti a nejistoty pro klasifikaci heterogenní klinické MRI v Mass General Brigham.

V této práci představujeme novou architekturu hlubokého učení, MUCRAN (Multi Correlative Regression Adversarial Network), abychom trénovali model hlubokého učení na MRI mozku se zataženými demografickými a technickými faktory.

Trénovali jsme MUCRAN pomocí 17 076 T1 klinických MRI skenů mozku shromážděných z Massachusetts General Hospital před rokem 2019 a prokázali jsme, že MUCRAN může úspěšně stáhnout hlavní matoucí faktory v rozsáhlém souboru klinických dat. Také jsme použili metodu měření nejistoty napříč sadou těchto modelů, abychom automaticky vyloučili data mimo distribuci při detekci AD.

Kombinací MUCRAN s mírou nejistoty jsme prokázali konzistentní a významné zvýšení přesnosti detekce AD ​​pro čerstvě shromážděná data MGH (po roce 2019; 84,6 % s MUCRAN vs. 72,5 % bez MUCRAN) a pro data z jiných nemocnic (90,3 % z nemocnice Brigham and Women’s a 81,0 % z ostatních nemocnic).

MUCRAN představuje zobecněný přístup pro detekci onemocnění založenou na hlubokém učení v heterogenních klinických datech.