Подход ИИ может помочь обнаружить болезнь Альцгеймера с помощью обычных тестов визуализации мозга

краткое содержание: Используя данные нейровизуализации, новый алгоритм глубокого обучения смог обнаружить болезнь Альцгеймера с точностью 90,2%.

источник: публичная месса

Хотя исследователи добились больших успехов в обнаружении признаков болезни Альцгеймера с помощью высококачественных тестов визуализации мозга, собранных в рамках научных исследований, команда Массачусетской больницы общего профиля (MGH) недавно разработала точный метод обнаружения, основанный на клинических изображениях мозга, собранных органически. рутина. Прогресс может привести к более точным диагнозам.

Для исследования, опубликованного в Плюс одинМэтью Лемминг, доктор философии, научный сотрудник Центра системной биологии MGH и исследователь Центра исследования болезни Альцгеймера в Массачусетсе, и его коллеги использовали глубокое обучение — тип машинного обучения и искусственного интеллекта, который использует большие объемы данных и сложные алгоритмы. для обучения моделей.

В этом случае ученые разработали модель для выявления болезни Альцгеймера на основе данных магнитно-резонансной томографии (МРТ) головного мозга, полученных от пациентов с болезнью Альцгеймера и без нее, которые наблюдались в MGH до 2019 года.

Затем группа протестировала модель на пяти наборах данных — MGH после 2019 года, Brigham and Women’s Hospital до и после 2019 года, а также внешние системы до и после 2019 года — чтобы увидеть, может ли она точно выявлять болезнь Альцгеймера на основе достоверности глобальных клинических данных. независимо от больницы и времени.

В целом поиск включал 11 103 изображения 2348 пациентов с риском развития болезни Альцгеймера и 26 892 изображения 8456 пациентов без болезни Альцгеймера. Во всех пяти наборах данных модель выявила риск болезни Альцгеймера с точностью 90,2%.

Главным нововведением в работе стала способность выявлять болезнь Альцгеймера независимо от других переменных, таких как возраст. «Болезнь Альцгеймера обычно возникает у пожилых людей, поэтому модели глубокого обучения часто с трудом обнаруживают более редкие ранние случаи», — говорит Лемминг.

«Мы решили эту проблему, сделав модель глубокого обучения «слепой» к функциям мозга, которые, как было обнаружено, чрезмерно коррелируют с возрастом указанного пациента».

Лемминг отмечает, что еще одна распространенная проблема при обнаружении заболеваний, особенно в реальных условиях, связана с данными, которые сильно отличаются от обучающей выборки. Например, модель глубокого обучения, обученная на МРТ со сканера General Electric, может не распознать МРТ-изображения, полученные на сканере Siemens.

В модели использовалась мера неопределенности, чтобы определить, не слишком ли отличаются данные пациента от того, на чем он был обучен, чтобы можно было сделать успешный прогноз.

«Это одно из немногих исследований, в которых обычно используется МРТ головного мозга для выявления деменции. Несмотря на то, что было проведено большое количество исследований глубокого обучения для выявления болезни Альцгеймера с помощью МРТ головного мозга, в этом исследовании предпринимаются существенные шаги к тому, чтобы сделать это в реальных условиях. клиническую среду, а не идеализированную лабораторную обстановку», — сказал Лемминг.

«Наши результаты — обобщение по всему сайту, времени и популяции — являются веским аргументом в пользу клинического использования этой диагностической технологии».

Среди дополнительных соавторов Судешна Дас, доктор философии, и Хёнсун Им, доктор философии.

Финансирование: Эта работа была поддержана Национальными институтами здравоохранения и в рамках Программы технологических инноваций, финансируемой Министерством торговли, промышленности и энергетики Республики Корея, которая осуществлялась на основе субподряда с MGH.

Об этом искусственном интеллекте и новостях исследования болезни Альцгеймера

автор: Брэддон Чейз
источник: публичная месса
коммуникация: Брэддон Чейз — Генеральная месса
картина: Изображение находится в общественном достоянии

Смотрите также

Исходный поиск: открытый доступ.
«Меры регрессии состязательной путаницы и неопределенности для классификации гетерогенной клинической МРТ в Mass General Brigham.Мэтью Лемминг и др. Плюс один

Резюме

Меры регрессии состязательной путаницы и неопределенности для классификации гетерогенной клинической МРТ в Mass General Brigham.

В этой работе мы представляем новую архитектуру глубокого обучения, MUCRAN (мультикорреляционная регрессионно-состязательная сеть), для обучения модели глубокого обучения на МРТ головного мозга с убранными демографическими и техническими искажающими факторами.

Мы обучили MUCRAN, используя 17 076 клинических МРТ-сканирований головного мозга T1, собранных в Массачусетской больнице общего профиля до 2019 года, и продемонстрировали, что MUCRAN может успешно устранять основные искажающие факторы в обширном наборе клинических данных. Мы также применили метод измерения неопределенности в наборе этих моделей, чтобы автоматически исключить данные вне распределения при обнаружении AD.

Объединив MUCRAN с мерой неопределенности, мы продемонстрировали последовательное и значительное повышение точности обнаружения AD для недавно собранных данных MGH (после 2019 г.; 84,6% с MUCRAN против 72,5% без MUCRAN) и для данных из других больниц (90,3). %) из больницы Brigham and Women’s и 81,0% из других больниц).

MUCRAN представляет собой обобщающий подход к обнаружению заболеваний на основе глубокого обучения в разнородных клинических данных.