Bir AI yaklaşımı, rutin beyin görüntüleme testleri yoluyla Alzheimer hastalığının saptanmasına yardımcı olabilir

özet: Nörogörüntüleme verilerini kullanan yeni bir derin öğrenme algoritması, Alzheimer hastalığını %90,2 doğrulukla tespit edebildi.

kaynak: halk kitlesi

Araştırmacılar, araştırma çalışmalarının bir parçası olarak toplanan yüksek kaliteli beyin görüntüleme testlerini kullanarak Alzheimer hastalığının belirtilerini tespit etmede büyük ilerlemeler kaydetmiş olsalar da, Massachusetts General Hospital’daki (MGH) bir ekip yakın zamanda organik olarak toplanan klinik beyin görüntülerine dayalı doğru bir tespit yöntemi geliştirdi. .rutin. İlerleme, daha doğru teşhislere yol açabilir.

yayınlanan çalışma için Artı birMGH Sistem Biyolojisi Merkezi’nde araştırma görevlisi ve Massachusetts’teki Alzheimer Hastalığı Araştırma Merkezi’nde araştırmacı olan PhD Matthew Lemming ve meslektaşları, büyük miktarda veri ve karmaşık algoritmalar kullanan bir tür makine öğrenimi ve yapay zeka olan derin öğrenmeyi kullandılar. modelleri eğitmek için.

Bu durumda bilim adamları, 2019’dan önce MGH’de görülen Alzheimer’ı olan ve olmayan hastalardan toplanan beynin manyetik rezonans görüntüleme görüntülerinden (MRI’ler) elde edilen verilere dayanarak Alzheimer hastalığını tespit etmek için bir model geliştirdiler.

Daha sonra grup, küresel klinik verilerin gerçeğine dayalı olarak Alzheimer hastalığını doğru bir şekilde tespit edip edemeyeceğini görmek için modeli beş veri kümesinde (2019’dan sonra MGH, 2019’dan önce ve sonra Brigham ve Kadın Hastanesi ve 2019’dan önce ve sonra harici sistemler) test etti. hastane ve zamandan bağımsız olarak.

Genel olarak, arama, Alzheimer hastalığı geliştirme riski taşıyan 2.348 hastadan 11.103 görüntüyü ve Alzheimer hastalığı olmayan 8.456 hastadan 26.892 görüntüyü içeriyordu. Model, beş veri kümesinin tamamında Alzheimer riskini %90,2’lik bir doğrulukla saptadı.

Çalışmanın önemli bir yeniliği, Alzheimer hastalığını yaş gibi diğer değişkenlerden bağımsız olarak tespit edebilmesiydi. Lemming, “Alzheimer hastalığı tipik olarak yaşlı erişkinlerde görülür ve bu nedenle derin öğrenme modelleri genellikle daha nadir erken vakaları tespit etmekte güçlük çeker” diyor.

“Derin öğrenme modelini, dahil edilen hastanın yaşıyla aşırı derecede ilişkili bulduğu beyin özelliklerine ‘kör’ yaparak bu sorunu ele aldık.”

Lemming, özellikle gerçek dünya ortamlarında hastalık tespitindeki diğer bir yaygın zorluğun, eğitim setinden çok farklı verilerle uğraşmak olduğunu belirtiyor. Örneğin, General Electric tarafından yapılan bir tarayıcıdan MRI ile eğitilen bir derin öğrenme modeli, Siemens tarafından yapılan bir tarayıcıda toplanan MRI görüntülerini tanımayabilir.

Model, başarılı bir tahmin yapabilmek için hastanın verilerinin eğitildiğinden çok farklı olup olmadığını belirlemek için bir belirsizlik ölçüsü kullandı.

“Bu, bunamayı saptamaya çalışmak için beyin MRG’sini rutin olarak kullanan az sayıdaki çalışmadan biridir. Alzheimer hastalığını beyin MRG’si aracılığıyla saptamak için çok sayıda derin öğrenme çalışması yapılmış olsa da, bu çalışma bunu Gerçekçi idealize edilmiş laboratuvar ortamları yerine klinik ortamlar,” dedi Lemming.

“Bölge genelinde genelleştirilebilirlik, zamansal sınır ve popülasyon ile ilgili sonuçlarımız, bu teşhis teknolojisinin klinik kullanımı için güçlü bir argüman oluşturuyor.”

Ek ortak yazarlar arasında Sudeshna Das, PhD ve Hyungsoon Im, PhD bulunmaktadır.

Finansman: Bu çalışma, Ulusal Sağlık Enstitüleri tarafından ve Kore Cumhuriyeti Ticaret, Sanayi ve Enerji Bakanlığı tarafından finanse edilen ve MGH ile bir alt sözleşme aracılığıyla yönetilen bir Teknoloji İnovasyon Programı aracılığıyla desteklenmiştir.

Bu yapay zeka ve Alzheimer hastalığı araştırma haberi hakkında

yazar: Braddon Chase
kaynak: halk kitlesi
iletişim: Braddon Chase – Genel Ayin
resim: resim kamu malıdır

Ayrıca bakınız

Orijinal arama: açık Erişim.
“Mass General Brigham’da heterojen klinik MRG’nin sınıflandırılması için ters kafa karışıklığı regresyonu ve belirsizlik ölçümleri.Matthew Lemming ve diğerleri tarafından. Artı bir

Özet

Mass General Brigham’da heterojen klinik MRG’nin sınıflandırılması için ters kafa karışıklığı regresyonu ve belirsizlik ölçümleri.

Bu çalışmada, beyin MRG’sinde demografik ve teknik karıştırıcı unsurların geri çekildiği bir derin öğrenme modeli eğitmek için yeni bir derin öğrenme mimarisi olan MUCRAN’ı (Multi Correlative Regression Adversarial Network) tanıtıyoruz.

2019’dan önce Massachusetts General Hospital’dan toplanan 17.076 T1 klinik beyin MRI taramasını kullanarak MUCRAN’ı eğittik ve MUCRAN’ın geniş klinik veri kümesindeki önemli karıştırıcı faktörleri başarılı bir şekilde geri çekebildiğini gösterdik. Ayrıca, AD tespitinde dağıtım dışı verileri otomatik olarak hariç tutmak için bu modellerin bir dizisinde belirsizliği ölçmek için bir yöntem uyguladık.

MUCRAN’ı bir belirsizlik ölçüsü ile birleştirerek, yeni toplanan MGH verileri (2019 sonrası; MUCRAN ile %84,6’ya karşı MUCRAN olmadan %72,5) ve diğer hastanelerden alınan veriler (90,3) için AD tespitinin doğruluğunda tutarlı ve önemli artışlar gösterdik. %) Brigham ve Women’s hastanesinden ve %81.0 diğer hastanelerden).

MUCRAN, heterojen klinik verilerde derin öğrenmeye dayalı hastalık tespiti için genelleştirilebilir bir yaklaşım sunar.