AI подход може да помогне за откриване на болестта на Алцхаймер чрез рутинни тестове за изображения на мозъка

резюме: Използвайки данни от невроизображения, нов алгоритъм за дълбоко обучение успя да открие болестта на Алцхаймер с точност от 90,2%.

източник: обществена маса

Въпреки че изследователите са постигнали големи крачки в откриването на признаци на болестта на Алцхаймер, използвайки висококачествени мозъчни образни тестове, събрани като част от изследователски проучвания, екип от Масачузетската обща болница (MGH) наскоро разработи точен метод за откриване, базиран на клинични изображения на мозъка, събрани органично. рутина. Напредъкът може да доведе до по-точни диагнози.

За изследването, публикувано в Плюс едноМатю Леминг, д-р, научен сътрудник в Центъра за системна биология на MGH и изследовател в Центъра за изследване на болестта на Алцхаймер в Масачузетс, и колегите му използваха дълбоко обучение – вид машинно обучение и изкуствен интелект, който използва големи количества данни и сложни алгоритми да обучават модели.

В този случай учените разработиха модел за откриване на болестта на Алцхаймер въз основа на данни от изображения с магнитен резонанс (MRI) на мозъка, събрани от пациенти със и без Алцхаймер, които са били прегледани в MGH преди 2019 г.

След това групата тества модела в пет набора от данни – MGH след 2019 г., Brigham and Women’s Hospital преди и след 2019 г. и външни системи преди и след 2019 г. – за да види дали може точно да открие болестта на Алцхаймер въз основа на истинността на глобалните клинични данни, независимо от болницата и часа.

Като цяло търсенето включва 11 103 изображения от 2 348 пациенти с риск от развитие на болестта на Алцхаймер и 26 892 изображения от 8 456 пациенти без болестта на Алцхаймер. Във всичките пет набора от данни моделът открива риск от болестта на Алцхаймер с точност от 90,2%.

Основно нововъведение в работата е способността му да открива болестта на Алцхаймер независимо от други променливи, като възрастта. „Болестта на Алцхаймер обикновено се среща при по-възрастни хора и затова моделите на дълбоко обучение често имат затруднения при откриването на по-редките ранни случаи“, казва Леминг.

„Ние се обърнахме към това, като направихме модела на дълбоко обучение „сляп“ за мозъчни характеристики, за които беше установено, че са твърде корелирани с възрастта на споменатия пациент.“

Друго често срещано предизвикателство при откриването на болести, особено в реални условия, отбелязва Леминг, е работата с данни, които са много различни от обучителния набор. Например модел за дълбоко обучение, обучен на MRI от скенер, произведен от General Electric, може да не успее да разпознае MRI изображения, събрани на скенер, произведен от Siemens.

Моделът използва мярка за несигурност, за да определи дали данните на пациента са твърде различни от това, върху което е бил обучен, за да може да направи успешна прогноза.

„Това е едно от малкото проучвания, които рутинно са използвали ЯМР на мозъка, за да се опитат да открият деменция. Въпреки че са направени голям брой проучвания за дълбоко обучение за откриване на болестта на Алцхаймер чрез ЯМР на мозъка, това проучване предприема значителни стъпки към реалистичното правене на това клинични среди, а не идеализирани лабораторни условия“, каза Леминг.

„Нашите резултати – обобщаващи за обекта, кръстосано време и население – представляват силен аргумент за клиничното използване на тази диагностична технология.“

Допълнителни съавтори включват Sudeshna Das, PhD, и Hyungsoon Im, PhD.

Финансиране: Тази работа беше подкрепена от Националните институти по здравеопазване и чрез програма за технологични иновации, финансирана от Министерството на търговията, промишлеността и енергетиката на Република Корея, която беше администрирана чрез подизпълнител с MGH.

За този изкуствен интелект и новини за изследване на болестта на Алцхаймер

автор: Брадън Чейс
източник: обществена маса
комуникация: Брадън Чейс – Генерал Мас
снимка: Изображението е обществено достояние

Вижте също

Оригинално търсене: свободен достъп.
„Съперническа регресия на объркване и мерки за несигурност за класифицирането на хетерогенен клиничен ЯМР в Mass General Brigham.От Матю Леминг и др. Плюс едно

резюме

Съперническа регресия на объркване и мерки за несигурност за класифицирането на хетерогенен клиничен ЯМР в Mass General Brigham.

В тази работа ние въвеждаме нова архитектура за задълбочено обучение, MUCRAN (Multi Correlative Regression Adversarial Network), за да обучим модел за задълбочено обучение върху MRI на мозъка с оттеглени демографски и технически объркващи фактори.

Ние обучихме MUCRAN, използвайки 17 076 T1 клинични MRI сканирания на мозъка, събрани от Massachusetts General Hospital преди 2019 г., и демонстрирахме, че MUCRAN може успешно да оттегли основните объркващи фактори в огромния набор от клинични данни. Ние също така приложихме метод за измерване на несигурността в набор от тези модели, за да изключим автоматично данни извън разпространението при откриване на AD.

Чрез комбиниране на MUCRAN с мярка за несигурност, ние показахме последователни и значителни увеличения в точността на откриването на AD за прясно събрани данни за MGH (след 2019 г.; 84,6% с MUCRAN спрямо 72,5% без MUCRAN) и за данни от други болници (90,3 %) от болница. Brigham and Women’s и 81,0% от други болници).

MUCRAN представя обобщаващ подход за откриване на заболяване, базирано на задълбочено обучение, в хетерогенни клинични данни.