211service.com
Deep-Learning Machine bruker MR-skanninger for å bestemme hjernealderen din
Menneskets kognitive evner avtar med alderen. Og nevrovitenskapsmenn har lenge visst at denne nedgangen også korrelerer med anatomiske endringer i hjernen. Så det er ingen overraskelse å finne ut at det er mulig å oppdage aldringstegn i MR-bilder av hjernen og til og med bestemme en hjernealder. Forskjellen mellom hjernealder og kronologisk alder kan avsløre utbruddet av tilstander som demens.
Men analysen er lang fordi MR-dataene må behandles tungt før de er egnet for automatisert aldring. Denne forhåndsbehandlingen inkluderer fjerning fra bildet av ikke-hjernevev som hodeskallen, klassifisering av hvit substans, grå substans og annet vev, og fjerning av bildeartefakter sammen med ulike datautjevningsteknikker.
All denne dataknusingen kan ta mer enn 24 timer, og det er en alvorlig hindring for leger som håper å ta hensyn til en pasients hjernealder når de stiller en klinisk diagnose.
I dag endrer alt dette seg takket være arbeidet til Giovanni Montana ved King's College London og noen få venner som har trent en dyplæringsmaskin til å måle hjernealderen ved å bruke rådata fra en MR-skanner. Dyplæringsteknikken tar sekunder og kan gi klinikere en nøyaktig idé om hjernens alder mens pasienten fortsatt er i skanneren.
Metoden er en standard dyplæringsteknikk. Montana og co bruker MR-hjerneskanning av over 2000 friske mennesker mellom 18 og 90 år. Ingen hadde noen form for nevrologisk tilstand som kunne påvirke hjernealderen deres. Så hjernealderen deres bør matche deres kronologiske alder.
Hver skanning er en standard T1-vektet MR-skanning av typen som produseres av de fleste moderne MR-maskiner. Hver skanning er merket med pasientens kronologiske alder.
Teamet brukte 80 prosent av disse bildene til å trene et konvolusjonelt nevralt nettverk for å bestemme en persons alder, gitt hjerneskanningen deres. De brukte ytterligere 200 bilder for å validere denne prosessen. Til slutt testet de det nevrale nettverket på 200 bilder det ikke hadde sett for å finne ut hvor godt det kunne måle hjernealderen.
Samtidig sammenlignet teamet dyplæringstilnærmingen med den konvensjonelle metoden for å bestemme hjernealder. Dette krever omfattende bildebehandling for å identifisere blant annet hvit substans og grå substans i hjernen etterfulgt av en statistisk analyse kalt Gaussisk prosessregresjon.
Resultatene gir interessant lesning. Både dyp læring og Gaussisk prosessregresjon bestemmer nøyaktig den kronologiske alderen til pasienter når de får forhåndsbehandlede data for å analysere. Begge metodene gjør dette med en feil på mindre enn fem år uansett.
Imidlertid viser dyp læring sin klare overlegenhet når man analyserer rå MR-data, der den presterer like bra, og gir riktig alder med en gjennomsnittlig feil på 4,66 år. Derimot presterer standardmetoden for Gaussisk prosessregresjon dårlig i denne testen, og gir en grov alder med en gjennomsnittlig feil på nesten 12 år.
Dessuten tar dyplæringsanalysen bare noen få sekunder sammenlignet med de 24 timene med forhåndsbehandling som kreves for standardmetoden. Den eneste databehandlingen som kreves for dyplæringsmaskinen er å sikre konsistensen av bildeorienteringen og voxel-dimensjonene mellom bildene.
Det har betydelige konsekvenser for leger. Gitt riktig programvareimplementering, kan hjerneforutsagte aldersdata gjøres tilgjengelige for en kliniker mens pasienten fortsatt er i skanneren, sier Montana og co.
Teamet sammenlignet også bilder tatt med forskjellige skannere bare for å vise at teknikken kan brukes på skanninger tatt på forskjellige maskiner i forskjellige deler av verden. De sammenligner også tvillingers hjernealder for å vise hvordan hjernealderen er knyttet til genetiske faktorer. Interessant nok synker korrelasjonen med alderen, noe som tyder på at miljøfaktorer blir mer betydningsfulle etter hvert som tiden går, og antyder en lovende linje for fremtidig forskning.
Det er et imponerende resultat som har potensial til å påvirke måten klinikere kommer til en diagnose på i betydelig grad. Det er betydelig bevis på at tilstander som diabetes, schizofreni og traumatisk hjerneskade er korrelert med raskere hjernealdring. Så en måte å måle hjernealdring raskt og nøyaktig kan ha en viktig innvirkning på hvordan klinikere håndterer disse forholdene i fremtiden. Hjerne-spådd alder representerer en nøyaktig, svært pålitelig og genetisk gyldig fenotype som har potensial til å bli brukt som en biomarkør for hjernealdring, sier Montan og co.
Ref: arxiv.org/abs/1612.02572 : Forutsi hjernealder med dyp læring fra rå bildedata resulterer i en pålitelig og arvelig biomarkør