Deep-Learning Machine bruger MR-scanninger til at bestemme din hjernealder

Menneskets kognitive evner falder med alderen. Og neurovidenskabsmænd har længe vidst, at dette fald også korrelerer med anatomiske ændringer i hjernen. Så det er ingen overraskelse at erfare, at det er muligt at få øje på tegn på aldring i MR-billeder af hjernen og endda at bestemme en hjernealder. Forskellen mellem hjernealder og kronologisk alder kan afsløre begyndelsen af ​​tilstande som demens.

Men analysen er lang, fordi MR-dataene skal bearbejdes kraftigt, før de er egnet til automatiseret aldring. Denne forbehandling omfatter fjernelse fra billedet af ikke-hjernevæv såsom kraniet, klassificering af hvidt stof, gråt stof og andet væv og fjernelse af billedartefakter sammen med forskellige dataudjævningsteknikker.

Al denne dataknusning kan tage mere end 24 timer, og det er en alvorlig hindring for læger, der håber at tage hensyn til en patients hjernealder, når de stiller en klinisk diagnose.

I dag ændrer alt det sig takket være Giovanni Montanas arbejde på King's College London og et par venner, der har trænet en dyb-læringsmaskine til at måle hjernealderen ved hjælp af rådata fra en MR-scanner. Den dybe indlæringsteknik tager sekunder og kan give klinikere en nøjagtig idé om hjernealderen, mens patienten stadig er i scanneren.

Metoden er en standard dybdelæringsteknik. Montana og co bruger MR-hjernescanninger af over 2.000 raske mennesker mellem 18 og 90 år. Ingen havde nogen form for neurologisk tilstand, der kunne påvirke deres hjernealder. Så deres hjernealder bør matche deres kronologiske alder.

Hver scanning er en standard T1-vægtet MR-scanning af den type, der produceres af de fleste moderne MR-maskiner. Hver scanning er mærket med patientens kronologiske alder.

Holdet brugte 80 procent af disse billeder til at træne et konvolutionelt neuralt netværk til at bestemme en persons alder, givet deres hjernescanning. De brugte yderligere 200 billeder til at validere denne proces. Til sidst testede de det neurale netværk på 200 billeder, det ikke havde set, for at bestemme, hvor godt det kunne måle hjernealderen.

Samtidig sammenlignede holdet den dybe læringstilgang med den konventionelle metode til at bestemme hjernealderen. Dette kræver omfattende billedbehandling for at identificere blandt andet hvidt stof og gråt stof i hjernen efterfulgt af en statistisk analyse kaldet Gaussisk procesregression.

Resultaterne giver interessant læsning. Både dyb læring og Gaussisk procesregression bestemmer nøjagtigt den kronologiske alder af patienter, når de får forbehandlede data til analyse. Begge metoder gør dette med en fejl på mindre end fem år på begge måder.

Deep learning viser dog sin klare overlegenhed, når man analyserer rå MR-data, hvor den klarer sig lige så godt, hvilket giver den korrekte alder med en gennemsnitlig fejl på 4,66 år. Derimod klarer standardmetoden for Gaussisk procesregression dårligt i denne test, hvilket giver en grov alder med en gennemsnitlig fejl på næsten 12 år.

Hvad mere er, tager dybdelæringsanalysen kun et par sekunder sammenlignet med de 24 timers forbehandling, der kræves til standardmetoden. Den eneste databehandling, der kræves til deep-learning-maskinen, er at sikre konsistensen af ​​billedorienteringen og voxel-dimensionerne mellem billeder.

Det har betydelige konsekvenser for lægerne. Givet den rigtige softwareimplementering kunne hjerneforudsagte aldersdata gøres tilgængelige for en kliniker, mens patienten stadig er i scanneren, siger Montana og co.

Holdet sammenlignede også billeder taget med forskellige scannere bare for at vise, at teknikken kan anvendes på scanninger taget på forskellige maskiner i forskellige dele af verden. De sammenligner også tvillingers hjernealder for at vise, hvordan hjernealderen er forbundet med genetiske faktorer. Interessant nok falder korrelationen med alderen, hvilket tyder på, at miljøfaktorer bliver mere betydningsfulde som tiden går, og antyder en lovende linje for fremtidig forskning.

Det er et imponerende resultat, som har potentialet til at påvirke den måde, klinikere kommer til en diagnose på, markant. Der er betydelige beviser for, at tilstande som diabetes, skizofreni og traumatisk hjerneskade er korreleret med hurtigere hjernealdring. Så en måde at måle hjernens aldring hurtigt og præcist kan have en vigtig indflydelse på den måde, klinikere håndterer disse tilstande i fremtiden. Hjerne-forudsagt alder repræsenterer en nøjagtig, yderst pålidelig og genetisk valid fænotype, der har potentiale til at blive brugt som en biomarkør for hjernens aldring, siger Montan og co.

Ref: arxiv.org/abs/1612.02572 : Forudsigelse af hjernealder med dyb læring fra rå billeddata resulterer i en pålidelig og arvelig biomarkør

skjule