A Deep-Learning Machine MRI-vizsgálatokat használ az agy életkorának meghatározására

Az emberi kognitív képességek az életkorral csökkennek. Az idegtudósok pedig régóta tudják, hogy ez a hanyatlás összefüggésben áll az agy anatómiai változásaival is. Így nem meglepő, ha megtudjuk, hogy az agy MRI-felvételein észrevehetőek az öregedés jelei, sőt az agy életkora is meghatározható. Az agy életkora és a kronológiai életkor közötti különbség felfedheti az olyan állapotok kialakulását, mint például a demencia.

Az elemzés azonban hosszadalmas, mert az MRI-adatokat erősen fel kell dolgozni, mielőtt alkalmasak lennének az automatizált öregítésre. Ez az előfeldolgozás magában foglalja a nem agyi szövetek, például a koponya eltávolítását a képről, a fehérállomány, a szürkeállomány és más szövetek osztályozását, valamint a képi műtermékek eltávolítását, valamint különféle adatsimító technikákat.

Mindez az adatrögzítés több mint 24 órát is igénybe vehet, és ez komoly akadálya annak, hogy az orvosok a klinikai diagnózis felállításakor figyelembe vegyék a páciens agyi életkorát.



Ma mindez megváltozik Giovanni Montana, a londoni King's College-ban végzett munkájának és néhány barátjának köszönhetően, akik egy mélytanulási gépet képeztek ki az agy életkorának mérésére egy MRI-szkennerből származó nyers adatok segítségével. A mélytanulási technika másodpercekig tart, és pontos képet ad a klinikusoknak az agy életkoráról, miközben a páciens még a szkennerben van.

A módszer egy szabványos mélytanulási technika. Montana és társai több mint 2000 egészséges, 18 és 90 év közötti ember agyának MRI-vizsgálatát végzik. Egyiknek sem volt olyan neurológiai állapota, amely befolyásolhatta volna az agy életkorát. Tehát az agy életkorának meg kell egyeznie a kronológiai életkorukkal.

Mindegyik szkennelés szabványos T1-súlyozott MRI-vizsgálat, amely a legtöbb modern MRI-készülékkel készül. Minden egyes vizsgálaton fel van tüntetve a beteg kronológiai életkora.

A csapat ezeknek a képeknek a 80 százalékát arra használta fel, hogy egy konvolúciós neurális hálózatot képezzen ki, hogy meghatározza az ember életkorát az agyi szkennelés alapján. További 200 képet használtak a folyamat érvényesítésére. Végül 200 eddig nem látott képen tesztelték a neurális hálózatot, hogy meghatározzák, mennyire képes mérni az agy életkorát.

sertésszelet sötét háló

Ugyanakkor a csapat összehasonlította a mély tanulási megközelítést az agy életkorának meghatározásának hagyományos módszerével. Ez kiterjedt képfeldolgozást igényel többek között az agy fehérállományának és szürkeállományának azonosításához, majd ezt követi a Gauss-féle folyamatregressziónak nevezett statisztikai elemzés.

Az eredmények érdekes olvasmányt tesznek lehetővé. Mind a mély tanulás, mind a Gauss-folyamat regresszió pontosan meghatározza a betegek kronológiai életkorát, ha előre feldolgozott adatokat kapnak elemzésre. Mindkét módszer öt évnél rövidebb hibával teszi ezt.

A mély tanulás azonban egyértelmű fölényét mutatja a nyers MRI adatok elemzésekor, ahol ugyanolyan jól teljesít, és 4,66 éves átlagos hibával adja meg a megfelelő életkort. Ezzel szemben a Gauss-folyamat regressziójának standard módszere gyengén teljesít ebben a tesztben, durva életkort adva majdnem 12 éves átlagos hibával.

Ráadásul a mélytanulási elemzés mindössze néhány másodpercet vesz igénybe a standard módszerhez szükséges 24 órás előfeldolgozáshoz képest. A mélytanuló géphez egyetlen adatfeldolgozásra van szükség, hogy biztosítsa a képtájolás és a voxelméretek következetességét a képek között.

Ez jelentős hatással van az orvosokra. Megfelelő szoftvermegvalósítás esetén az agy által megjósolt életkoradatok elérhetővé válhatnak a klinikus számára, miközben a páciens még a szkennerben van, mondjuk Montana és társai.

egy pillangó csapkodja a szárnyait

A csapat összehasonlította a különböző szkennerekkel készített képeket is, csak azért, hogy megmutassa, a technika alkalmazható a világ különböző részein különböző gépeken készült szkennelésekre. Összehasonlítják az ikrek agyi életkorát is, hogy megmutassák, hogyan kapcsolódik az agy életkora a genetikai tényezőkhöz. Érdekes módon a korreláció az életkorral csökken, ami arra utal, hogy a környezeti tényezők az idő előrehaladtával egyre jelentősebbé válnak, és egy ígéretes jövőbeli kutatási irányt sugall.

Ez egy lenyűgöző eredmény, amely jelentősen befolyásolhatja a klinikusok diagnózisát. Jelentős bizonyíték van arra, hogy az olyan állapotok, mint a cukorbetegség, a skizofrénia és a traumás agysérülés összefüggésben állnak az agy gyorsabb öregedésével. Tehát az agy öregedésének gyors és pontos mérésének módja jelentős hatással lehet arra, ahogyan a klinikusok hogyan kezelik ezeket a feltételeket a jövőben. Az agy előrejelzett életkora egy pontos, rendkívül megbízható és genetikailag érvényes fenotípus, amely potenciálisan felhasználható az agy öregedésének biomarkereként, mondják Montan és társai.

Ref: arxiv.org/abs/1612.02572 : Az agy életkorának előrejelzése a nyers képalkotási adatokból való mély tanulással, megbízható és örökölhető biomarkerrel

elrejt

Tényleges Technológiák

Kategória

Nincs Kategorizálva

Technológia

Biotechnológia

Technikai Politika

Klímaváltozás

Ember És Technológia

Szilícium-Völgy

Számítástechnika

Mit News Magazin

Mesterséges Intelligencia

Tér

Okos Városok

Blockchain

Feature Story

Alumni Profil

Öregdiák Kapcsolat

Mit News Funkció

1865

Az Én Nézetem

77 Mass Ave

Ismerje Meg A Szerzőt

Profilok A Nagylelkűségben

Az Egyetemen Látható

Öregdiák Levelei

Hírek

Mit News Magazine

Választások 2020

Indexszel

A Kupola Alatt

Tűzoltótömlő

Végtelen Történetek

Pandémiás Technológiai Projekt

Az Elnöktől

Fedősztori

Képgaléria

Ajánlott