Beyin Görüntülemede Gelişmiş Yapay Zeka Tarafından Yakalanan Dinamik Akıl Hastalığı Göstergeleri
Özet: Yeni bir AI algoritması, zihinsel sağlık bozukluklarıyla bağlantılı yeni beyin modellerini tanımlamak için fMRI verilerini kullandı.
Kaynak: Georgia Eyalet Üniversitesi
Georgia Eyalet Üniversitesi’nin TReNDS Merkezi tarafından yapılan yeni araştırma, Alzheimer hastalığı, şizofreni ve otizm gibi yıkıcı durumların zamanında erken teşhisine ve bu bozuklukların önlenmesine ve daha kolay tedavi edilmesine yardımcı olabilir.
Yayınlanan yeni bir çalışmada Bilimsel Raporlar Georgia Eyaletinden yedi bilim insanından oluşan bir ekip, muazzam miktarda beyin görüntüleme verisini tarayabilen ve zihinsel sağlık koşullarıyla bağlantılı yeni kalıpları keşfedebilen sofistike bir bilgisayar programı oluşturdu.
Beyin görüntüleme verileri, kan akışındaki küçük değişiklikleri tespit ederek dinamik beyin aktivitesini ölçen fonksiyonel manyetik rezonans görüntüleme (fMRI) kullanan taramalardan geldi.
Georgia Eyaleti’nde bilgisayar bilimi ve sinirbilimi doçenti ve çalışmanın baş yazarı Sergey Plis, “fMRI’den gelen büyük miktarda bilgiyi yorumlamak için yapay zeka modelleri oluşturduk” dedi.
Bu tür bir dinamik görüntülemeyi bir filmle karşılaştırdı – röntgen veya daha yaygın yapısal MRI gibi bir anlık görüntünün aksine – ve “eldeki veriler çok daha büyük, bir kan testinden veya bir testten çok daha zengin” dedi. düzenli MRG. Ancak zorluk budur – bu kadar büyük miktarda veriyi yorumlamak zordur.”
Ayrıca, bu özel koşullardaki fMRI’lar pahalıdır ve elde edilmesi kolay değildir. Ancak bir yapay zeka modeli kullanarak, normal fMRI’lar veri madenciliği yapabilir. Ve bunlar çok sayıda mevcuttur.
TReNDS Merkezi’nin Kurucu Direktörü ve çalışmanın yazarlarından biri olan Vince Calhoun, “Bilinen bir klinik bozukluğu olmayan bireylerde mevcut olan büyük veri kümeleri var” diye açıklıyor. Bu büyük ama birbiriyle alakasız veri kümelerinin kullanılması, modelin daha küçük belirli veri kümelerinde performansını iyileştirdi.
Calhoun, “Üç beyin bozukluğunun her biriyle kesin olarak bağlantı kurabileceğimiz yeni modeller ortaya çıktı” dedi.
AI modelleri ilk olarak, temel fMRI görüntüleme ve beyin işlevini anlamayı öğrenmek için 10.000’den fazla kişiyi içeren bir veri kümesi üzerinde eğitildi. Araştırmacılar daha sonra otizm spektrum bozukluğu, şizofreni ve Alzheimer hastalığı olanlar da dahil olmak üzere 1200’den fazla kişiden oluşan çok bölgeli veri setlerini kullandılar.
O nasıl çalışır? Bu biraz Facebook, YouTube veya Amazon’un çevrimiçi davranışlarınızdan sizin hakkınızda bilgi edinmesi ve gelecekteki davranışları, beğenileri ve beğenmedikleri şeyleri tahmin etmeye başlaması gibi. Bilgisayar yazılımı, beyin görüntüleme verilerinin büyük olasılıkla söz konusu zihinsel bozuklukla bağlantılı olduğu “an”da bile yerini alabildi.
Bu bulguları klinik olarak faydalı kılmak için, bir bozukluk ortaya çıkmadan önce uygulanmaları gerekecektir.
Calhoun, “40 yaşındaki bir hastada Alzheimer riskini öngörebilir ve belirteçler bulabilirsek, bu konuda bir şeyler yapabiliriz” dedi.
Benzer şekilde, şizofreni riskleri beyin yapısında gerçek değişiklikler olmadan önce tahmin edilebilirse, daha iyi veya daha etkili tedaviler sunmanın yolları olabilir.
Calhoun, “Diğer testlerden veya aile geçmişinden birinin Alzheimer gibi bir hastalık riski altında olduğunu bilsek bile, bunun tam olarak ne zaman olacağını tahmin edemiyoruz” dedi.
“Beyin görüntüleme, klinik hastalık belirginleşmeden önce ortaya çıktıklarında ilgili kalıpları yakalayarak bu zaman aralığını daraltabilir.”
Plis, “Vizyon, büyük bir görüntüleme veri seti toplamamız, AI modellerimizin bunu incelemesi ve bize belirli bozukluklar hakkında öğrendiklerini göstermesidir” dedi. “Kendi başımıza keşfedemeyeceğimiz yeni bilgileri keşfetmek için sistemler inşa ediyoruz.”
Çalışmanın ilk yazarı ve Georgia Eyaleti’nde bilgisayar bilimleri alanında doktora öğrencisi olan Md Mahfuzur Rahman, “Amacımız,” dedi, “büyük dünyalar ve büyük veri kümeleri ile küçük dünyalar ve hastalığa özgü veri kümeleri arasında köprü kurmak ve klinikle ilgili belirteçlere doğru ilerlemek. kararlar.”
Finansman: Bu çalışma, SMP’ye başlangıç fonları ve kısmen NIH hibeleri R01EB006841, R01MH118695, RF1MH121885 ve NSF 2112455 tarafından desteklenmiştir.
Ayrıca bakınız
Bu yapay zeka ve ruh sağlığı araştırma haberleri hakkında
Yazar: Noelle Reetz
Kaynak: Georgia Eyalet Üniversitesi
İletişim: Noelle Reetz – Georgia Eyalet Üniversitesi
Resim: Resim kamu malı
Orjinal araştırma: Açık Erişim.
Sergey Plis ve diğerleri tarafından “Beyin dinamiklerini yorumlayan modelleri yorumlama”. Bilimsel Raporlar.
Soyut
Beyin dinamiklerini yorumlayan modelleri yorumlama
Beyin dinamikleri oldukça karmaşıktır ve yine de beyin işlevini ve işlev bozukluğunu anlamanın anahtarıdır.
Dinlenme durumundaki fonksiyonel manyetik rezonans görüntüleme verileri tarafından yakalanan dinamikler gürültülü, yüksek boyutludur ve kolayca yorumlanamaz. Bu verileri düşük boyutlu özelliklere indirgemek ve en öngörülü özelliklere odaklanmak için kullanılan tipik yaklaşım, güçlü varsayımlarla gelir ve temel dinamiklerin temel yönlerini gözden kaçırabilir.
Buna karşılık, ayrımcı olarak eğitilmiş derin öğrenme modellerinin iç gözlemi, sinyalin düzensizlikle ilgili öğelerini bireysel zaman noktaları ve uzamsal konumlar düzeyinde ortaya çıkarabilir. Yine de, yüksek boyutlu düşük örneklem boyutlu veri kümeleri üzerinde güvenilir eğitimin zorluğu ve ortaya çıkan öngörücü belirteçlerin belirsiz alaka düzeyi, derin öğrenmenin işlevsel beyin görüntülemede yaygın olarak kullanılmasını engeller.
Bu çalışmada, istikrarlı, ekolojik olarak geçerli yorumları korurken yüksek boyutlu dinamik verilerden öğrenmek için bir derin öğrenme çerçevesi tanıtıyoruz.
Sonuçlar, önerilen çerçevenin, dinlenme durumu fMRI dinamiklerini doğrudan küçük verilerden öğrenmeyi ve işlev ve işlev bozukluğunu öngören özelliklerin kompakt, kararlı yorumlarını yakalamayı sağladığını başarılı bir şekilde göstermektedir.
