211service.com
Maszyna do głębokiego uczenia wykorzystuje skany MRI do określenia wieku mózgu
Zdolności poznawcze człowieka spadają z wiekiem. Neuronaukowcy od dawna wiedzą, że ten spadek koreluje również ze zmianami anatomicznymi w mózgu. Nic więc dziwnego, że można dostrzec oznaki starzenia na obrazach MRI mózgu, a nawet określić wiek mózgu. Różnica między wiekiem mózgu a wiekiem chronologicznym może ujawnić początek takich stanów, jak demencja.
Ale analiza jest długa, ponieważ dane MRI muszą być intensywnie przetworzone, zanim będą odpowiednie do automatycznego starzenia. To wstępne przetwarzanie obejmuje usuwanie z obrazu tkanki pozamózgowej, takiej jak czaszka, klasyfikację istoty białej, istoty szarej i innych tkanek oraz usuwanie artefaktów obrazu wraz z różnymi technikami wygładzania danych.
Całe to przetwarzanie danych może zająć ponad 24 godziny, a to jest poważną przeszkodą dla lekarzy, którzy chcą wziąć pod uwagę wiek mózgu pacjenta podczas stawiania diagnozy klinicznej.
Dziś wszystko to zmienia się dzięki pracy Giovanniego Montany z King's College London i kilku kumpli, którzy wyszkolili maszynę do głębokiego uczenia się, aby mierzyć wiek mózgu za pomocą surowych danych ze skanera MRI. Technika głębokiego uczenia się zajmuje kilka sekund i może dać klinicystom dokładne wyobrażenie o wieku mózgu, gdy pacjent nadal znajduje się w skanerze.
Metoda jest standardową techniką uczenia głębokiego. Montana i spółka wykorzystują skany mózgu MRI ponad 2000 zdrowych osób w wieku od 18 do 90 lat. Żaden z nich nie miał żadnych schorzeń neurologicznych, które mogłyby wpłynąć na wiek mózgu. Wiek ich mózgu powinien więc odpowiadać ich wiekowi chronologicznemu.
Każdy skan jest standardowym skanem MRI T1 ważonym typu wytwarzanego przez większość nowoczesnych aparatów MRI. Każdy skan jest oznaczony chronologicznym wiekiem pacjenta.
Zespół wykorzystał 80 procent tych obrazów do wytrenowania splotowej sieci neuronowej w celu określenia wieku danej osoby, biorąc pod uwagę skan mózgu. Użyli kolejnych 200 zdjęć, aby zweryfikować ten proces. Na koniec przetestowali sieć neuronową na 200 obrazach, których nie widziała, aby określić, jak dobrze może mierzyć wiek mózgu.
Jednocześnie zespół porównał podejście do uczenia głębokiego z konwencjonalną metodą określania wieku mózgu. Wymaga to rozległego przetwarzania obrazu w celu zidentyfikowania między innymi istoty białej i istoty szarej w mózgu, a następnie analizy statystycznej zwanej regresją procesu Gaussa.
Wyniki stanowią ciekawą lekturę. Zarówno uczenie głębokie, jak i regresja procesu Gaussa dokładnie określają wiek chronologiczny pacjentów, gdy otrzymują wstępnie przetworzone dane do analizy. Obie metody robią to z błędem krótszym niż pięć lat.
Jednak głębokie uczenie pokazuje swoją wyraźną przewagę podczas analizowania surowych danych MRI, gdzie sprawdza się równie dobrze, podając prawidłowy wiek ze średnim błędem 4,66 lat. W przeciwieństwie do tego, standardowa metoda regresji procesu Gaussa wypada słabo w tym teście, dając przybliżony wiek ze średnim błędem prawie 12 lat.
Co więcej, analiza głębokiego uczenia zajmuje zaledwie kilka sekund w porównaniu z 24-godzinnym przetwarzaniem wstępnym wymaganym w przypadku metody standardowej. Jedynym przetwarzaniem danych wymaganym przez maszynę głębokiego uczenia się jest zapewnienie spójności orientacji obrazu i wymiarów wokseli między obrazami.
Ma to istotne konsekwencje dla lekarzy. Biorąc pod uwagę odpowiednią implementację oprogramowania, przewidywane przez mózg dane dotyczące wieku mogą być udostępniane klinicystom, gdy pacjent jest nadal w skanerze, mówią Montana i spółka.
Zespół porównał również obrazy wykonane przy użyciu różnych skanerów, aby pokazać, że technikę tę można zastosować do skanów wykonanych na różnych maszynach w różnych częściach świata. Porównują również wiek mózgu bliźniąt, aby pokazać, jak wiek mózgu jest powiązany z czynnikami genetycznymi. Co ciekawe, korelacja spada wraz z wiekiem, co sugeruje, że czynniki środowiskowe stają się coraz bardziej znaczące wraz z upływem czasu, i sugeruje obiecującą linię przyszłych badań.
To imponujący wynik, który może znacząco wpłynąć na sposób, w jaki klinicyści stawiają diagnozę. Istnieje wiele dowodów na to, że stany takie jak cukrzyca, schizofrenia i urazowe uszkodzenie mózgu są skorelowane z szybszym starzeniem się mózgu. Tak więc sposób szybkiego i dokładnego pomiaru starzenia się mózgu może mieć istotny wpływ na sposób, w jaki klinicyści radzą sobie z tymi schorzeniami w przyszłości. Wiek przewidywany przez mózg reprezentuje dokładny, wysoce wiarygodny i genetycznie ważny fenotyp, który może być wykorzystany jako biomarker starzenia się mózgu, mówią Montan i spółka.
Nr ref.: arxiv.org/abs/1612.02572 : Przewidywanie wieku mózgu za pomocą głębokiego uczenia się na podstawie surowych danych obrazowania daje wiarygodny i dziedziczny biomarker