Prístup umelej inteligencie by mohol pomôcť odhaliť Alzheimerovu chorobu skôr ako bežné zobrazovacie testy mozgu
Zhrnutie: Pomocou neuroimagingových údajov dokázal nový algoritmus hlbokého učenia odhaliť Alzheimerovu chorobu s presnosťou 90,2 %.
Zdroj: masový generál
Hoci vyšetrovatelia dosiahli pokrok v zisťovaní príznakov Alzheimerovej choroby pomocou vysokokvalitných testov zobrazovania mozgu zozbieraných ako súčasť výskumných štúdií, tím z Massachusetts General Hospital (MGH) nedávno vyvinul presnú metódu, ktorá sa opiera o pravidelne zbierané klinické snímky mozgu. . Pokrok by mohol viesť k presnejšej diagnóze.
pre štúdiu, ktorá je publikovaná v r ešte jedenMatthew Lemming, PhD, výskumný pracovník v MGH’s Center for Systems Biology a vyšetrovateľ z Massachusetts Alzheimer’s Disease Research Center, a jeho kolegovia použili hlboké učenie – typ strojového učenia a umelej inteligencie, ktorý dokáže spracovať veľké množstvo údajov a zložité algoritmy. používa algoritmy. trénovať modely.
V tomto prípade vedci vyvinuli model na detekciu Alzheimerovej choroby na základe údajov z mozgovej magnetickej rezonancie (MRI) zozbieraných od pacientov s Alzheimerovou chorobou a bez nej, ktorí boli pozorovaní v MGH pred rokom 2019.
Skupina ďalej testovala model na piatich súboroch údajov – MGH po roku 2019, Brigham a ženská nemocnica pred a po roku 2019 a Outside Systems pred a po roku 2019 – aby zistila, či je založený na skutočných údajoch. Dokáže presne zistiť Alzheimerova choroba. Svetové klinické údaje bez ohľadu na nemocnicu a čas.
Celkovo výskum zahŕňal 11 103 obrázkov od 2 348 pacientov s rizikom Alzheimerovej choroby a 26 892 obrázkov od 8 456 pacientov bez Alzheimerovej choroby. Vo všetkých piatich súboroch údajov model zistil riziko Alzheimerovej choroby s presnosťou 90,2 %.
Medzi hlavné inovácie práce patrila jej schopnosť odhaliť Alzheimerovu chorobu bez ohľadu na ďalšie premenné, ako je vek. „Alzheimerova choroba sa zvyčajne vyskytuje u starších dospelých, a preto modely hlbokého učenia majú často problém odhaliť zriedkavé skoré prípady,“ hovorí Lemming.
„Vyriešili sme to tak, že model hlbokého učenia bol „slepý“ voči črtám mozgu, o ktorých sa zistilo, že sú vysoko spojené s uvedeným vekom pacienta.“
Lemming poznamenáva, že ďalšou bežnou výzvou pri zisťovaní chorôb, najmä v reálnom svete, je práca s údajmi, ktoré sa veľmi líšia od trénovacieho súboru. Napríklad model hlbokého učenia natrénovaný na MRI zo skenera vyrobeného spoločnosťou General Electric nemusí rozpoznať MRI zozbierané na skeneri vyrobenom spoločnosťou Siemens.
Model použil metriku neistoty na určenie, či sa údaje o pacientoch príliš líšia od údajov, na ktorých bol trénovaný, aby bolo možné urobiť úspešnú predpoveď.
„Toto je jedna z mála štúdií, ktorá používala rutinne zozbierané MRI mozgu na pokus o detekciu demencie. Zatiaľ čo sa uskutočnilo veľké množstvo štúdií hlbokého učenia na detekciu Alzheimerovej choroby z MRI mozgu, táto štúdia urobila podstatné kroky smerom k tomu, aby bola skutočne vykonaná v reálnom živote.“ -svetové klinické nastavenia na rozdiel od skutočných laboratórnych nastavení, „povedal Lemming.
„Naše výsledky – so zovšeobecniteľnosťou medzi lokalitami, časom a medzi populáciami – sú silným argumentom pre klinické použitie tejto diagnostickej techniky.“
Medzi ďalších spoluautorov patria Sudeshna Das, PhD a Hyungsoon IM, PhD.
Grant: Táto práca bola podporená programom technologických inovácií financovaným Národnými inštitútmi zdravia a Ministerstvom obchodu, priemyslu a energetiky Kórejskej republiky, riadeným prostredníctvom subdodávky pre MGH.
O týchto novinkách z výskumu umelej inteligencie a Alzheimerovej choroby
autor: naháňačka na braydona
Zdroj: masový generál
kontakt: Braden Chase – masový generál
obrázok: obrázok je vo verejnej doméne
vidieť všetko
Základný výskum: otvorený prístup.
,Nepriaznivá miera zmätenej regresie a neistoty na klasifikáciu heterogénnej diagnostickej MRI na Mass General Brigham.„Matthew Lemming a spol. ešte jeden
abstraktné
Nepriaznivá miera zmätenej regresie a neistoty na klasifikáciu heterogénnej diagnostickej MRI na Mass General Brigham.
V tejto práci predstavujeme novú architektúru hlbokého učenia, MUCRAN (Multi-Confused Regression Adversarial Network), na trénovanie modelu hlbokého učenia na klinickom MRI mozgu a zároveň regresiu demografických a technických mätúcich faktorov.
Vyškolili sme MuCran pomocou 17 076 klinických T1 axiálnych MRI mozgu zozbieraných z Massachusetts General Hospital pred rokom 2019 a preukázali sme, že MuCran dokáže úspešne získať kľúčové mätúce faktory vo veľkých súboroch klinických údajov. Implementovali sme tiež metódu na kvantifikáciu neistoty v súbore týchto modelov, aby sme automaticky vylúčili údaje mimo distribúcie pri detekcii AD.
Kombináciou MUCRAN a metódy kvantifikácie neistoty sme zistili konzistentné a významné zvýšenie presnosti detekcie AD pre novo zhromaždené údaje MGH (po roku 2019; 84,6 % s MUCRANom oproti 72,5 % bez MUCRAN) a údaje z iných nemocníc (90,3 %) Viditeľné. z Brigham and Women’s Hospital a 81,0 % z iných nemocníc.
MUCRAN poskytuje všeobecný prístup k detekcii chorôb založených na hlbokom učení v heterogénnych klinických údajoch.
