kopsavilkums: Izmantojot neiroattēlveidošanas datus, jauns dziļās mācīšanās algoritms spēja noteikt Alcheimera slimību ar precizitāti 90, 2%.
avots: publiskā masa
Lai gan pētnieki ir guvuši lielus panākumus Alcheimera slimības pazīmju noteikšanā, izmantojot augstas kvalitātes smadzeņu attēlveidošanas testus, kas savākti kā daļa no pētniecības pētījumiem, Masačūsetsas vispārējās slimnīcas (MGH) komanda nesen ir izstrādājusi precīzu noteikšanas metodi, kuras pamatā ir organiski savākti klīniskie smadzeņu attēli. rutīna. Iepriekšēja attīstība var novest pie precīzākas diagnozes.
gadā publicētajam pētījumam Plus viensMetjū Lemmings, PhD, pētnieks MGH Sistēmu bioloģijas centrā un pētnieks Alcheimera slimības pētniecības centrā Masačūsetsā, un kolēģi izmantoja dziļo mācīšanos — mašīnmācības un mākslīgā intelekta veidu, kas izmanto lielu datu apjomu un sarežģītus algoritmus. apmācīt modeļus.
Šajā gadījumā zinātnieki izstrādāja modeli Alcheimera slimības noteikšanai, pamatojoties uz datiem no smadzeņu magnētiskās rezonanses attēlveidošanas attēliem (MRI), kas iegūti no pacientiem ar Alcheimera slimību un bez tā, kuri tika novēroti MGH pirms 2019. gada.
Pēc tam grupa pārbaudīja modeli piecās datu kopās — MGH pēc 2019. gada, Brigham and Women’s Hospital pirms un pēc 2019. gada un ārējās sistēmas pirms un pēc 2019. gada, lai noskaidrotu, vai tas var precīzi noteikt Alcheimera slimību, pamatojoties uz globālo klīnisko datu patiesumu. neatkarīgi no slimnīcas un laika.
Kopumā meklēšanā tika iekļauti 11 103 attēli no 2 348 pacientiem, kuriem bija Alcheimera slimības attīstības risks, un 26 892 attēli no 8 456 pacientiem bez Alcheimera slimības. Visās piecās datu kopās modelis atklāja Alcheimera slimības risku ar 90, 2% precizitāti.
Galvenais darba jauninājums bija tā spēja noteikt Alcheimera slimību neatkarīgi no citiem mainīgajiem lielumiem, piemēram, vecuma. “Alcheimera slimība parasti rodas gados vecākiem pieaugušajiem, un tāpēc dziļās mācīšanās modeļiem bieži ir grūtības noteikt retākos agrīnos gadījumus,” saka Lemmings.
“Mēs to risinājām, padarot dziļās mācīšanās modeli “aklu” pret smadzeņu iezīmēm, kuras tika konstatētas pārāk korelētas ar minētā pacienta vecumu.”
Lemmings atzīmē, ka vēl viena izplatīta problēma slimību noteikšanā, īpaši reālās pasaules apstākļos, ir datu apstrāde, kas ļoti atšķiras no apmācības kopas. Piemēram, dziļās mācīšanās modelis, kas apmācīts MRI no General Electric izgatavota skenera, var neatpazīt MRI attēlus, kas savākti ar Siemens izgatavoto skeneri.
Modelis izmantoja nenoteiktības mērījumu, lai noteiktu, vai pacienta dati pārāk atšķiras no tiem, kas bija apmācīti, lai varētu veikt veiksmīgu prognozi.
“Šis ir viens no vienīgajiem pētījumiem, kurā regulāri ir izmantota smadzeņu MRI, lai mēģinātu noteikt demenci. Lai gan ir veikts liels skaits dziļās mācīšanās pētījumu, lai atklātu Alcheimera slimību, izmantojot smadzeņu MRI, šajā pētījumā ir veikti būtiski soļi, lai to faktiski izdarītu Realistic. klīniskā vide, nevis idealizēti laboratorijas iestatījumi,” sacīja Lemmings.
“Mūsu rezultāti — vispārīgi visā vietā, laika posmā un populācijā — ir spēcīgs arguments šīs diagnostikas tehnoloģijas klīniskai izmantošanai.”
Papildu līdzautori ir Sudeshna Das, PhD, un Hyungsoon Im, PhD.
Finansējums: Šo darbu atbalstīja Nacionālie veselības institūti un Korejas Republikas Tirdzniecības, rūpniecības un enerģētikas ministrijas finansētā Tehnoloģiju inovāciju programma, kas tika pārvaldīta, noslēdzot apakšlīgumu ar MGH.
Par šo mākslīgā intelekta un Alcheimera slimības pētījumu jaunumiem
autors: Breddons Čeiss
avots: publiskā masa
komunikācija: Breddons Čeiss — ģenerālmise
bilde: Attēls ir publiski pieejams
Skatīt arī
Sākotnējā meklēšana: atvērta piekļuve.
“Pretrunīgas neskaidrības regresijas un nenoteiktības pasākumi neviendabīgas klīniskās MRI klasifikācijai Mass General Brigham.Metjū Lemmings et al. Plus viens
kopsavilkums
Pretrunīgas neskaidrības regresijas un nenoteiktības pasākumi neviendabīgas klīniskās MRI klasifikācijai Mass General Brigham.
Šajā darbā mēs ieviešam jaunu dziļas mācīšanās arhitektūru MUCRAN (Multi Correlative Regression Adversarial Network), lai apmācītu dziļas mācīšanās modeli smadzeņu MRI ar demogrāfiskiem un tehniskiem traucēkļiem.
Mēs apmācījām MUCRAN, izmantojot 17 076 T1 klīniskos smadzeņu MRI skenējumus, kas savākti no Masačūsetsas vispārējās slimnīcas pirms 2019. gada, un parādījām, ka MUCRAN var veiksmīgi atsaukt galvenos traucējošos faktorus plašajā klīnisko datu kopā. Mēs arī izmantojām nenoteiktības mērīšanas metodi šo modeļu komplektā, lai automātiski izslēgtu ārpus izplatīšanas datus AD noteikšanā.
Apvienojot MUCRAN ar nenoteiktības novērtēšanas metodi, mēs parādījām konsekventu un būtisku AD noteikšanas precizitātes pieaugumu svaigi savāktajiem MGH datiem (pēc 2019. gada; 84,6% ar MUCRAN pret 72,5% bez MUCRAN) un datiem no citām slimnīcām (90,3). %) no slimnīcas Brigham and Women un 81,0% no citām slimnīcām).
MUCRAN piedāvā vispārināmu pieeju dziļai uz mācīšanos balstītai slimību noteikšanai neviendabīgos klīniskajos datos.
