Jeśli zastanawiasz się, co AI może wyczytać z rezonansu magnetycznego, to według najnowszych badań zespołu z Mass General Brigham (USA) narzędzie to może przewidzieć wiek mózgu, przeżywalność w raku, ryzyko demencji i inne sygnały chorobowe.
BrainIAC, bo o nim mowa, to model podstawowy wytrenowany i zweryfikowany na prawie 49 000 badań MRI mózgu, którego zadaniem jest zidentyfikować najważniejsze wskaźniki zdrowia neurologicznego bez konieczności stosowania szeroko zakrojonych zbiorów danych.
Badacze z Mass General Brigham opracowali nowy model bazowy sztucznej inteligencji (AI), który jest zdolny analizować zbiory danych MRI mózgu w celu realizacji licznych zadań medycznych, w tym identyfikacji wieku mózgu, przewidywania ryzyka demencji, wykrywania mutacji guzów mózgu oraz przewidywania przeżycia raka mózgu. Badania pokazały, iż BrainIAC przewyższał inne, bardziej zadaniowe modele AI i był szczególnie wydajny, gdy miał ograniczone dane treningowe. Wyniki zostały opublikowane w Nature Neuroscience.
– BrainIAC ma potencjał, by przyspieszyć odkrywanie biomarkerów, ulepszyć narzędzia diagnostyczne i przyspieszyć wdrażanie AI w praktyce klinicznej – ocenia dr Benjamin Kann z programu Artificial Intelligence in Medicine (AIM) w Mass General Brigham. – Integracja BrainIAC z protokołami obrazowania może pomóc klinicystom lepiej personalizować, a co za tym idzie – poprawiać opiekę nad pacjentem.
Pomimo postępów w podejściu do AI w medycynie, wciąż brakuje publicznie dostępnych modeli skupiających się na szerokiej analizie MRI mózgu. Większość tradycyjnych frameworków (platform programistycznych) wykonuje konkretne zadania i wymaga intensywnego szkolenia z dużymi, adnotowanymi zbiorami danych, które mogą być trudne do zdobycia. Ponadto obrazy MRI mózgu z różnych instytucji mogą różnić się wyglądem i zamierzonymi zastosowaniami (np. w neurologii vs onkologii), co utrudnia ramom AI uzyskanie podobnych informacji od nich.
Jeśli zastanawiasz się, jak amerykańscy naukowcy przekroczyli te ograniczenia, to z pewnością udało im się je złagodzić: zespół badawczy zaprojektował adaptacyjny rdzeń do obrazowania mózgu, czyli BrainIAC – narzędzie, które wykorzystuje metodę zwaną uczeniem samonadzorowanym do identyfikacji cech wrodzonych z nieoznakowanych zbiorów danych, które następnie można dostosować do różnych zastosowań. Po wstępnym przeszkoleniu frameworka na wielu zbiorach danych MRI mózgu, naukowcy zweryfikowali jego wydajność na 48 965 różnych badaniach MRI mózgu w siedmiu różnych zadaniach o różnym stopniu złożoności klinicznej.
Stwierdzili, iż BrainIAC jest w stanie skutecznie uogólniać swoje wnioski na zdrowe i nieprawidłowe obrazy, a następnie stosować je zarówno do stosunkowo prostych zadań, takich jak klasyfikacja typów badań MRI, jak i bardzo wymagających, takich jak wykrywanie mutacji guza mózgu. Model ten przewyższył także trzy bardziej konwencjonalne, specyficzne dla zadań frameworki AI w tych i innych zastosowaniach.
Autorzy zauważają, iż BrainIAC był szczególnie skuteczny w przewidywaniu wyników, gdy dane treningowe były ograniczone, a złożoność zadań była wysoka, co sugeruje, iż model potrafił dobrze dostosować się do rzeczywistych warunków, gdzie zbiory danych medycznych nie zawsze są łatwo dostępne. Jak podkreślają badacze, potrzebne są dalsze badania, aby przetestować tę strukturę na dodatkowych metodach obrazowania mózgu oraz większych zbiorach danych.
Źródło: massgeneralbrigham.org
Foto: freepik.com
