요약: 신경 영상 데이터를 사용하여 새로운 딥 러닝 알고리즘은 90.2%의 정확도로 알츠하이머병을 감지할 수 있었습니다.

원천: 대중 미사

연구자들은 연구의 일환으로 수집된 고품질 뇌 영상 검사를 사용하여 알츠하이머 병의 징후를 감지하는 데 큰 진전을 이루었지만 최근 MGH(Massachusetts General Hospital) 팀은 유기적으로 수집된 임상 뇌 영상을 기반으로 정확한 감지 방법을 개발했습니다. 루틴. 이러한 발전은 보다 정확한 진단으로 이어질 수 있습니다.

에 발표된 연구의 경우 하나 추가MGH 시스템 생물학 센터 연구원이자 매사추세츠 알츠하이머병 연구 센터 연구원인 매튜 레밍(Matthew Lemming) 박사와 동료들은 대량의 데이터와 복잡한 알고리즘을 사용하는 기계 학습 및 인공 지능의 일종인 딥 러닝을 사용했습니다. 모델을 교육합니다.

이 경우 과학자들은 2019년 이전에 MGH에서 본 알츠하이머 환자와 그렇지 않은 환자로부터 수집한 뇌의 자기 공명 영상(MRI) 데이터를 기반으로 알츠하이머병을 감지하는 모델을 개발했습니다.

그런 다음 그룹은 2019년 이후 MGH, 2019년 이전 및 이후 브리검 여성 병원, 2019년 이전 및 이후 외부 시스템의 5개 데이터 세트에서 모델을 테스트하여 글로벌 임상 데이터의 진실성을 기반으로 알츠하이머병을 정확하게 감지할 수 있는지 확인했습니다. 병원과 시간에 관계없이

전반적으로 이 검색에는 알츠하이머병 발병 위험이 있는 2,348명의 환자의 11,103개 이미지와 알츠하이머병이 없는 8,456명의 환자의 26,892개 이미지가 포함되었습니다. 5개 데이터 세트 모두에서 이 모델은 90.2%의 정확도로 알츠하이머병의 위험을 감지했습니다.

이 작업의 주요 혁신은 연령과 같은 다른 변수에 관계없이 알츠하이머병을 감지하는 능력이었습니다. “알츠하이머병은 일반적으로 노인에게서 발생하므로 딥 러닝 모델은 종종 희귀한 초기 사례를 감지하는 데 어려움을 겪습니다.”라고 Lemming은 말합니다.

“우리는 환자의 나이와 지나치게 상관관계가 있는 것으로 밝혀진 뇌 기능에 대해 딥 러닝 모델을 ‘맹인’으로 만들어 이 문제를 해결했습니다.”

Lemming은 특히 실제 환경에서 질병 탐지의 또 다른 일반적인 문제는 훈련 세트와 매우 다른 데이터를 처리하는 것이라고 지적합니다. 예를 들어, General Electric에서 만든 스캐너에서 MRI로 훈련된 딥 러닝 모델은 Siemens에서 만든 스캐너에서 수집한 MRI 이미지를 인식하지 못할 수 있습니다.

이 모델은 불확실성 측정을 사용하여 환자의 데이터가 성공적인 예측을 할 수 있도록 훈련된 데이터와 너무 다른지 확인했습니다.

“이 연구는 치매를 감지하기 위해 일상적으로 뇌 MRI를 사용한 유일한 연구 중 하나입니다. 뇌 MRI를 통해 알츠하이머병을 감지하기 위해 많은 수의 딥 러닝 연구가 수행되었지만, 이 연구는 실제 현실에서 그렇게 하기 위한 상당한 단계를 밟았습니다. 이상적인 실험실 설정이 아닌 임상 환경”이라고 Lemming은 말했습니다.

“사이트, 교차 시간 및 모집단에 걸쳐 일반화한 우리의 결과는 이 진단 기술의 임상적 사용에 대한 강력한 주장을 합니다.”

추가 공동 저자로는 Sudeshna Das 박사와 임형순 박사가 있습니다.

자금 조달: 이 작업은 MGH와의 하도급 계약을 통해 관리되는 대한민국 산업통상자원부의 기술 혁신 프로그램과 국립보건원의 지원을 받았습니다.

이 인공 지능 및 알츠하이머 병 연구 뉴스에 대해

작가: 브래든 체이스
원천: 대중 미사
의사소통: 브래든 체이스 – 일반 미사
그림: 이미지는 공개 도메인에 있습니다

또한보십시오

원래 검색: 오픈 액세스.
“Mass General Brigham에서 이기종 임상 MRI의 분류를 위한 적대적 혼란 회귀 및 불확실성 측정.매튜 레밍 외. 하나 추가

요약

Mass General Brigham에서 이기종 임상 MRI의 분류를 위한 적대적 혼란 회귀 및 불확실성 측정.

이 작업에서는 새로운 딥 러닝 아키텍처인 MUCRAN(Multi Correlative Regression Adversarial Network)을 도입하여 인구 통계학적 및 기술적 혼란 요인을 제거한 뇌 MRI에 대한 딥 러닝 모델을 훈련합니다.

우리는 2019년 이전에 매사추세츠 종합 병원에서 수집한 17,076개의 T1 임상 뇌 MRI 스캔을 사용하여 MUCRAN을 교육했으며 MUCRAN이 방대한 임상 데이터 세트에서 주요 교란 요인을 성공적으로 철회할 수 있음을 입증했습니다. 또한 이러한 모델 집합에 걸쳐 불확실성을 측정하는 방법을 적용하여 AD 감지에서 분포 외 데이터를 자동으로 제외했습니다.

MUCRAN을 불확실성 추정 방법과 결합함으로써 새로 수집된 MGH 데이터(2019년 이후, MUCRAN 사용 시 84.6% vs. MUCRAN 사용 안 함 72.5%) 및 다른 병원의 데이터(90.3 %) 병원에서, Brigham and Women’s 및 81.0%가 다른 병원에서).

MUCRAN은 이기종 임상 데이터에서 딥 러닝 기반 질병 탐지를 위한 일반화 가능한 접근 방식을 제시합니다.