Uma abordagem de IA pode ajudar a detectar a doença de Alzheimer por meio de testes de imagem cerebral de rotina

resumo: Usando dados de neuroimagem, um novo algoritmo de aprendizado profundo foi capaz de detectar a doença de Alzheimer com uma precisão de 90,2%.

fonte: massa pública

Embora os pesquisadores tenham feito grandes progressos na detecção de sinais da doença de Alzheimer usando testes de imagem cerebral de alta qualidade coletados como parte de estudos de pesquisa, uma equipe do Hospital Geral de Massachusetts (MGH) desenvolveu recentemente um método de detecção preciso com base em imagens cerebrais clínicas coletadas organicamente. rotina. O avanço pode levar a diagnósticos mais precisos.

Para o estudo publicado na Mais umMatthew Lemming, PhD, pesquisador do MGH Center for Systems Biology e investigador do Alzheimer’s Disease Research Center em Massachusetts, e seus colegas usaram aprendizado profundo – um tipo de aprendizado de máquina e inteligência artificial que usa grandes quantidades de dados e algoritmos complexos para treinar modelos.

Nesse caso, os cientistas desenvolveram um modelo para detectar a doença de Alzheimer com base em dados de imagens de ressonância magnética (MRIs) do cérebro coletadas de pacientes com e sem Alzheimer que foram atendidos no MGH antes de 2019.

Em seguida, o grupo testou o modelo em cinco conjuntos de dados – MGH após 2019, Brigham and Women’s Hospital antes e depois de 2019 e sistemas externos antes e depois de 2019 – para ver se ele poderia detectar com precisão a doença de Alzheimer com base na verdade dos dados clínicos globais, independentemente do hospital e do tempo.

No geral, a pesquisa incluiu 11.103 imagens de 2.348 pacientes com risco de desenvolver a doença de Alzheimer e 26.892 imagens de 8.456 pacientes sem a doença de Alzheimer. Em todos os cinco conjuntos de dados, o modelo detectou risco de doença de Alzheimer com uma precisão de 90,2%.

Uma grande inovação do trabalho foi a capacidade de detectar o mal de Alzheimer independentemente de outras variáveis, como a idade. “A doença de Alzheimer geralmente ocorre em adultos mais velhos e, portanto, os modelos de aprendizado profundo geralmente têm dificuldade em detectar os casos iniciais mais raros”, diz Lemming.

“Nós abordamos isso tornando o modelo de aprendizagem profunda ‘cego’ para as características do cérebro que foram excessivamente correlacionadas com a idade do referido paciente”.

Outro desafio comum na detecção de doenças, especialmente em ambientes do mundo real, observa Lemming, é lidar com dados muito diferentes do conjunto de treinamento. Por exemplo, um modelo de aprendizado profundo treinado em ressonância magnética de um scanner fabricado pela General Electric pode não reconhecer imagens de ressonância magnética coletadas em um scanner fabricado pela Siemens.

O modelo usou uma medida de incerteza para determinar se os dados do paciente eram muito diferentes do que havia sido treinado para ser capaz de fazer uma previsão bem-sucedida.

“Este é um dos únicos estudos que usa ressonância magnética do cérebro rotineiramente para tentar detectar demência. Embora um grande número de estudos de aprendizado profundo tenha sido feito para detectar a doença de Alzheimer por meio da ressonância magnética do cérebro, este estudo dá passos substanciais para realmente fazê-lo em condições realistas. ambientes clínicos em vez de ambientes laboratoriais idealizados”, disse Lemming.

“Nossos resultados – generalizando em todo o local, ao longo do tempo e na população – constituem um forte argumento para o uso clínico dessa tecnologia de diagnóstico”.

Co-autores adicionais incluem Sudeshna Das, PhD, e Hyungsoon Im, PhD.

Financiamento: Este trabalho foi apoiado pelos Institutos Nacionais de Saúde e por meio de um Programa de Inovação Tecnológica financiado pelo Ministério do Comércio, Indústria e Energia da República da Coreia, administrado por meio de um subcontrato com o MGH.

Sobre esta inteligência artificial e notícias de pesquisa da doença de Alzheimer

autor: Braddon Chase
fonte: massa pública
comunicação: Braddon Chase – Missa Geral
foto: A imagem é de domínio público

Veja também

Pesquisa original: acesso livre.
“Regressão de confusão adversária e medidas de incerteza para a classificação de ressonância magnética clínica heterogênea no Mass General Brigham.Escrito por Matthew Lemming et al. Mais um

um resumo

Regressão de confusão adversária e medidas de incerteza para a classificação de ressonância magnética clínica heterogênea no Mass General Brigham.

Neste trabalho, apresentamos uma nova arquitetura de aprendizado profundo, MUCRAN (Multi Correlative Regression Adversarial Network), para treinar um modelo de aprendizado profundo em ressonância magnética cerebral com fatores de confusão demográficos e técnicos retraídos.

Treinamos o MUCRAN usando 17.076 exames de ressonância magnética cerebral clínica T1 coletados no Hospital Geral de Massachusetts antes de 2019 e demonstramos que o MUCRAN pode retratar com sucesso os principais fatores de confusão no vasto conjunto de dados clínicos. Também aplicamos um método de medição de incerteza em um conjunto desses modelos para excluir automaticamente dados fora de distribuição na detecção de AD.

Ao combinar MUCRAN com um método de estimativa de incerteza, demonstramos aumentos consistentes e significativos na precisão da detecção de AD para dados MGH recém-coletados (pós-2019; 84,6% com MUCRAN vs. 72,5% sem MUCRAN) e para dados de outros hospitais (90,3 %) de um hospital Brigham and Women’s e 81,0% de outros hospitais).

O MUCRAN apresenta uma abordagem generalizável para detecção de doenças baseada em aprendizado profundo em dados clínicos heterogêneos.