resumen: Utilizando datos de neuroimagen, un nuevo algoritmo de aprendizaje profundo pudo detectar la enfermedad de Alzheimer con una precisión del 90,2 %.
fuente: misa publica
Aunque los investigadores han logrado grandes avances en la detección de signos de la enfermedad de Alzheimer utilizando pruebas de imágenes cerebrales de alta calidad recopiladas como parte de estudios de investigación, un equipo del Hospital General de Massachusetts (MGH) ha desarrollado recientemente un método de detección preciso basado en imágenes cerebrales clínicas recopiladas orgánicamente. rutina El avance puede conducir a diagnósticos más precisos.
Para el estudio publicado en Mas unoMatthew Lemming, PhD, investigador del Centro de Biología de Sistemas MGH e investigador del Centro de Investigación de la Enfermedad de Alzheimer en Massachusetts, y sus colegas utilizaron el aprendizaje profundo, un tipo de aprendizaje automático e inteligencia artificial que utiliza grandes cantidades de datos y algoritmos complejos. para entrenar modelos.
En este caso, los científicos desarrollaron un modelo para detectar la enfermedad de Alzheimer basado en datos de imágenes de resonancia magnética (MRI) del cerebro recopiladas de pacientes con y sin Alzheimer que fueron vistos en MGH antes de 2019.
Luego, el grupo probó el modelo en cinco conjuntos de datos: MGH después de 2019, Brigham and Women’s Hospital antes y después de 2019 y sistemas externos antes y después de 2019, para ver si podía detectar con precisión la enfermedad de Alzheimer en función de la verdad de los datos clínicos globales. independientemente del hospital y la hora.
En general, la búsqueda incluyó 11.103 imágenes de 2.348 pacientes con riesgo de desarrollar la enfermedad de Alzheimer y 26.892 imágenes de 8.456 pacientes sin la enfermedad de Alzheimer. En los cinco conjuntos de datos, el modelo detectó el riesgo de Alzheimer con una precisión del 90,2 %.
Una gran innovación del trabajo fue su capacidad para detectar la enfermedad de Alzheimer independientemente de otras variables, como la edad. «La enfermedad de Alzheimer generalmente ocurre en adultos mayores, por lo que los modelos de aprendizaje profundo a menudo tienen dificultades para detectar los casos tempranos más raros», dice Lemming.
«Abordamos esto haciendo que el modelo de aprendizaje profundo sea ‘ciego’ a las características del cerebro que encuentra que están demasiado correlacionadas con la edad del paciente incluido».
Otro desafío común en la detección de enfermedades, especialmente en entornos del mundo real, señala Lemming, es manejar datos que son muy diferentes del conjunto de entrenamiento. Por ejemplo, un modelo de aprendizaje profundo entrenado en resonancia magnética de un escáner fabricado por General Electric podría no reconocer las imágenes de resonancia magnética recopiladas en un escáner fabricado por Siemens.
El modelo usó una medida de incertidumbre para determinar si los datos del paciente eran demasiado diferentes de lo que había sido entrenado para poder hacer una predicción exitosa.
«Este es uno de los únicos estudios que ha utilizado rutinariamente resonancias magnéticas cerebrales para tratar de detectar la demencia. Si bien se ha realizado una gran cantidad de estudios de aprendizaje profundo para detectar la enfermedad de Alzheimer a través de resonancias magnéticas cerebrales, este estudio da pasos sustanciales para hacerlo realmente en Realista». entornos clínicos en lugar de entornos de laboratorio idealizados», dijo Lemming.
«Nuestros resultados, generalizados a través del sitio, el tiempo cruzado y la población, constituyen un argumento sólido para el uso clínico de esta tecnología de diagnóstico».
Los coautores adicionales incluyen a Sudeshna Das, PhD, y Hyungsoon Im, PhD.
Fondos: Este trabajo fue apoyado por los Institutos Nacionales de Salud ya través de un Programa de Innovación Tecnológica financiado por el Ministerio de Comercio, Industria y Energía de la República de Corea, que fue administrado a través de un subcontrato con MGH.
Sobre esta noticia de investigación en inteligencia artificial y enfermedad de Alzheimer
autor: braddon persecución
fuente: misa publica
comunicación: Braddon Chase – Misa general
imagen: La imagen es de dominio público.
Ver también
Búsqueda original: acceso abierto.
«Regresión de confusión adversarial y medidas de incertidumbre para la clasificación de resonancia magnética clínica heterogénea en Mass General Brigham.Por Matthew Lemming et al. Mas uno
un resumen
Regresión de confusión adversarial y medidas de incertidumbre para la clasificación de resonancia magnética clínica heterogénea en Mass General Brigham.
En este trabajo, presentamos una nueva arquitectura de aprendizaje profundo, MUCRAN (Multi Correlative Regression Adversarial Network), para entrenar un modelo de aprendizaje profundo en resonancia magnética cerebral con factores de confusión demográficos y técnicos retraídos.
Capacitamos a MUCRAN utilizando 17 076 resonancias magnéticas cerebrales clínicas T1 recopiladas en el Hospital General de Massachusetts antes de 2019 y demostramos que MUCRAN puede retraer con éxito los principales factores de confusión en el vasto conjunto de datos clínicos. También aplicamos un método para medir la incertidumbre en un conjunto de estos modelos para excluir automáticamente los datos fuera de distribución en la detección de AD.
Al combinar MUCRAN con una medida de incertidumbre, mostramos aumentos constantes y significativos en la precisión de la detección de EA para datos de MGH recién recopilados (posteriores a 2019; 84,6 % con MUCRAN frente a 72,5 % sin MUCRAN) y para datos de otros hospitales (90,3 %) de un hospital (Brigham and Women’s y 81,0% de otros hospitales).
MUCRAN presenta un enfoque generalizable para la detección de enfermedades basada en el aprendizaje profundo en datos clínicos heterogéneos.
«Zombieaholic. Nerd general de Twitter. Analista. Gurú aficionado de la cultura pop. Fanático de la música».
