Το μηχάνημα Deep-Learning χρησιμοποιεί μαγνητικές τομογραφίες για να προσδιορίσει την ηλικία του εγκεφάλου σας

Οι ανθρώπινες γνωστικές ικανότητες μειώνονται με την ηλικία. Και οι νευροεπιστήμονες γνώριζαν εδώ και καιρό ότι αυτή η πτώση σχετίζεται και με ανατομικές αλλαγές στον εγκέφαλο. Επομένως, δεν αποτελεί έκπληξη το γεγονός ότι είναι δυνατό να εντοπιστούν τα σημάδια γήρανσης στις εικόνες MRI του εγκεφάλου και ακόμη και να προσδιοριστεί η ηλικία του εγκεφάλου. Η διαφορά μεταξύ της ηλικίας του εγκεφάλου και της χρονολογικής ηλικίας μπορεί να αποκαλύψει την εμφάνιση καταστάσεων όπως η άνοια.



Αλλά η ανάλυση είναι μακρά, επειδή τα δεδομένα της μαγνητικής τομογραφίας πρέπει να υποβληθούν σε μεγάλη επεξεργασία πριν γίνουν κατάλληλα για αυτοματοποιημένη γήρανση. Αυτή η προεπεξεργασία περιλαμβάνει την αφαίρεση από την εικόνα μη εγκεφαλικού ιστού όπως το κρανίο, την ταξινόμηση της λευκής ουσίας, της φαιάς ουσίας και άλλων ιστών και την αφαίρεση τεχνουργημάτων εικόνας μαζί με διάφορες τεχνικές εξομάλυνσης δεδομένων.

Όλη αυτή η σύγκρουση δεδομένων μπορεί να διαρκέσει περισσότερες από 24 ώρες και αυτό είναι ένα σοβαρό εμπόδιο για τους γιατρούς που ελπίζουν να λάβουν υπόψη την ηλικία του εγκεφάλου του ασθενούς όταν κάνουν μια κλινική διάγνωση.





Σήμερα, όλα αυτά αλλάζουν χάρη στη δουλειά του Giovanni Montana στο King's College του Λονδίνου και μερικών φίλων που έχουν εκπαιδεύσει μια μηχανή βαθιάς μάθησης για τη μέτρηση της ηλικίας του εγκεφάλου χρησιμοποιώντας ακατέργαστα δεδομένα από έναν σαρωτή μαγνητικής τομογραφίας. Η τεχνική της βαθιάς μάθησης διαρκεί δευτερόλεπτα και θα μπορούσε να δώσει στους κλινικούς ιατρούς μια ακριβή ιδέα για την ηλικία του εγκεφάλου, ενώ ο ασθενής βρίσκεται ακόμα στον σαρωτή.

Η μέθοδος είναι μια τυπική τεχνική βαθιάς μάθησης. Η Montana και μαζί χρησιμοποιούν μαγνητικές τομογραφίες εγκεφάλου περισσότερων από 2.000 υγιών ατόμων ηλικίας μεταξύ 18 και 90 ετών. Κανένας δεν είχε κάποιο είδος νευρολογικής πάθησης που θα μπορούσε να επηρεάσει την ηλικία του εγκεφάλου του. Άρα η ηλικία του εγκεφάλου τους θα πρέπει να ταιριάζει με τη χρονολογική τους ηλικία.

Κάθε σάρωση είναι μια τυπική σάρωση μαγνητικής τομογραφίας T1 του τύπου που παράγεται από τα περισσότερα σύγχρονα μηχανήματα μαγνητικής τομογραφίας. Κάθε σάρωση επισημαίνεται με τη χρονολογική ηλικία του ασθενούς.



Η ομάδα χρησιμοποίησε το 80 τοις εκατό αυτών των εικόνων για να εκπαιδεύσει ένα συνελικτικό νευρωνικό δίκτυο για να προσδιορίσει την ηλικία ενός ατόμου, λαμβάνοντας υπόψη τη σάρωση του εγκεφάλου του. Χρησιμοποίησαν άλλες 200 εικόνες για να επικυρώσουν αυτή τη διαδικασία. Τέλος, δοκίμασαν το νευρωνικό δίκτυο σε 200 εικόνες που δεν είχε δει για να καθορίσουν πόσο καλά μπορούσε να μετρήσει την ηλικία του εγκεφάλου.

που ειναι το μυαλο σου

Ταυτόχρονα, η ομάδα συνέκρινε την προσέγγιση βαθιάς μάθησης με τη συμβατική μέθοδο προσδιορισμού της ηλικίας του εγκεφάλου. Αυτό απαιτεί εκτεταμένη επεξεργασία εικόνας για τον εντοπισμό, μεταξύ άλλων, της λευκής ουσίας και της φαιάς ουσίας στον εγκέφαλο που ακολουθείται από μια στατιστική ανάλυση που ονομάζεται παλινδρόμηση διαδικασίας Gaussian.

Τα αποτελέσματα δημιουργούν ενδιαφέρουσα ανάγνωση. Τόσο η βαθιά μάθηση όσο και η παλινδρόμηση της διαδικασίας Gauss καθορίζουν με ακρίβεια τη χρονολογική ηλικία των ασθενών όταν δίνονται προεπεξεργασμένα δεδομένα προς ανάλυση. Και οι δύο μέθοδοι το κάνουν αυτό με σφάλμα μικρότερο από πέντε χρόνια.

Ωστόσο, η βαθιά εκμάθηση δείχνει τη σαφή υπεροχή της κατά την ανάλυση των ακατέργαστων δεδομένων μαγνητικής τομογραφίας, όπου αποδίδει εξίσου καλά, δίνοντας τη σωστή ηλικία με μέσο σφάλμα 4,66 ετών. Αντίθετα, η τυπική μέθοδος της παλινδρόμησης της διαδικασίας Gauss δεν έχει καλή απόδοση σε αυτή τη δοκιμή, δίνοντας μια πρόχειρη ηλικία με μέσο σφάλμα σχεδόν 12 ετών.



Επιπλέον, η ανάλυση βαθιάς μάθησης διαρκεί λίγα μόλις δευτερόλεπτα σε σύγκριση με τις 24 ώρες προεπεξεργασίας που απαιτούνται για την τυπική μέθοδο. Η μόνη επεξεργασία δεδομένων που απαιτείται για τη μηχανή βαθιάς μάθησης είναι η διασφάλιση της συνέπειας του προσανατολισμού της εικόνας και των διαστάσεων voxel μεταξύ των εικόνων.

Αυτό έχει σημαντικές επιπτώσεις για τους γιατρούς. Δεδομένης της σωστής εφαρμογής λογισμικού, τα δεδομένα ηλικίας που έχουν προβλεφθεί από τον εγκέφαλο θα μπορούσαν να διατεθούν σε έναν κλινικό ιατρό όσο ο ασθενής βρίσκεται ακόμα στον σαρωτή, λένε οι Montana και συνεργάτες.

αυτό δεν είναι πραγματικό πρόσωπο

Η ομάδα συνέκρινε επίσης εικόνες που τραβήχτηκαν χρησιμοποιώντας διαφορετικούς σαρωτές απλώς για να δείξει ότι η τεχνική μπορεί να εφαρμοστεί σε σαρώσεις που λαμβάνονται σε διαφορετικά μηχανήματα σε διαφορετικά μέρη του κόσμου. Συγκρίνουν επίσης τις ηλικίες του εγκεφάλου των διδύμων για να δείξουν πώς η ηλικία του εγκεφάλου συνδέεται με γενετικούς παράγοντες. Είναι ενδιαφέρον ότι η συσχέτιση μειώνεται με την ηλικία, υποδηλώνοντας ότι οι περιβαλλοντικοί παράγοντες γίνονται πιο σημαντικοί όσο περνά ο καιρός και υποδηλώνοντας μια πολλά υποσχόμενη γραμμή μελλοντικής έρευνας.

Αυτό είναι ένα εντυπωσιακό αποτέλεσμα που έχει τη δυνατότητα να επηρεάσει σημαντικά τον τρόπο με τον οποίο οι κλινικοί γιατροί καταλήγουν σε μια διάγνωση. Υπάρχουν σημαντικές ενδείξεις ότι καταστάσεις όπως ο διαβήτης, η σχιζοφρένεια και η τραυματική εγκεφαλική βλάβη συσχετίζονται με την ταχύτερη γήρανση του εγκεφάλου. Έτσι, ένας τρόπος μέτρησης της γήρανσης του εγκεφάλου γρήγορα και με ακρίβεια θα μπορούσε να έχει σημαντικό αντίκτυπο στον τρόπο με τον οποίο οι κλινικοί γιατροί αντιμετωπίζουν αυτές τις καταστάσεις στο μέλλον. Η προβλεπόμενη από τον εγκέφαλο ηλικία αντιπροσωπεύει έναν ακριβή, εξαιρετικά αξιόπιστο και γενετικά έγκυρο φαινότυπο που μπορεί να χρησιμοποιηθεί ως βιοδείκτης της γήρανσης του εγκεφάλου, λένε οι Montan και συνεργάτες.

Αναφ.: arxiv.org/abs/1612.02572 : Πρόβλεψη της ηλικίας του εγκεφάλου με βαθιά μάθηση από αποτελέσματα ακατέργαστων δεδομένων απεικόνισης σε έναν αξιόπιστο και κληρονομικό βιοδείκτη

κρύβω

Πραγματικές Τεχνολογίες

Κατηγορία

Χωρίς Κατηγοριοποίηση

Τεχνολογία

Βιοτεχνολογία

Τεχνική Πολιτική

Την Αλλαγή Του Κλίματος

Άνθρωποι Και Τεχνολογία

Silicon Valley

Χρήση Υπολογιστή

Περιοδικό Mit News

Τεχνητή Νοημοσύνη

Χώρος

Έξυπνες Πόλεις

Blockchain

Feature Story

Προφίλ Αποφοίτων

Σύνδεση Αποφοίτων

Δυνατότητα Ειδήσεων Mit

1865

Η Θέα Μου

77 Mass Ave

Γνωρίστε Τον Συγγραφέα

Προφίλ Στη Γενναιοδωρία

Βλέπεται Στην Πανεπιστημιούπολη

Επιστολές Αποφοίτων

Νέα

Εκλογές 2020

Με Ευρετήριο

Κάτω Από Τον Θόλο

Πυροσβεστική Μάνικα

Άπειρες Ιστορίες

Πανδημικό Τεχνολογικό Έργο

Από Τον Πρόεδρο

Θέμα Εξώφυλλου

Φωτογραφίες

Συνιστάται