MRI Beyin Görüntülerinin Elektronik Karşılaştırması Biyolojik Yaşı Doğru Bir Şekilde Belirler

Özet: Nörogörüntüleme verilerini analiz etmek için yapay sinir ağlarını kullanan araştırmacılar, biyolojik yaşı doğru bir şekilde belirleyebiliyor.

Kaynak: Max Planck Topluluğu

Bir kişinin biyolojik yaşı, yapay sinir ağları olarak adlandırılan en son AI teknolojisi kullanılarak beyin görüntülerinden doğru bir şekilde belirlenebilir.

Ancak şimdiye kadar, bu ağların hangi özelliklerin yaş çıkarmak için kullandığı belirsizdi. Max Planck İnsan Bilişsel ve Beyin Bilimleri Enstitüsü’ndeki araştırmacılar, yaş tahmininin beyindeki bir dizi özelliğe geri döndüğünü ortaya koyan ve bir kişinin sağlık durumu hakkında genel bilgi sağlayan bir algoritma geliştirdiler.

Algoritma böylece tümörleri veya Alzheimer hastalığını daha hızlı tespit etmeye yardımcı olabilir ve diyabet gibi hastalıkların nörolojik sonuçları hakkında sonuçlar çıkarılmasına olanak tanır.

Derin sinir ağları, günlük hayatımızı birçok düzeyde zenginleştiren bir AI teknolojisidir: Gerçek nöronların çalışma şeklini modelleyen yapay ağlar, dili anlayabilir ve çevirebilir, metinleri yorumlayabilir ve görüntülerdeki nesneleri ve insanları tanıyabilir. Ancak beyinlerinin MRI taramasına dayanarak bir kişinin yaşını da belirleyebilirler.

Kişiye sorarak yaşını öğrenmenin daha kolay olacağı doğrudur. Bununla birlikte, makine yaşının belirlenmesi, size sağlıklı bir beynin normal olarak yaşamın farklı aşamalarında nasıl göründüğü hakkında bir fikir verir.

Ağ, taramaya dayanarak beynin biyolojik yaşının gerçekte olduğundan daha yüksek olduğunu tahmin ederse, bu olası bir hastalık veya yaralanmayı gösterebilir.

Örneğin önceki araştırmalar, diyabet veya ciddi bilişsel bozukluk gibi belirli hastalıkları olan kişilerin beyinlerinin, gerçekte olduğundan daha fazla yıllarının altında olduğunu ortaya çıkarmıştı. Başka bir deyişle, beyinleri biyolojik olarak bu insanların yaşına göre varsayıldığından daha kötü bir durumdaydı.

Yapay sinir ağları biyolojik yaşı doğru bir şekilde belirleyebilse de, şimdiye kadar algoritmalarının bunu yaptığı beyin görüntülerinden hangi bilgileri aldığı bilinmiyordu. AI araştırması alanındaki bilim adamları da buna “kara kutu sorunu” diyorlar.

Buna göre, bir beyin görüntüsünü modele, “kara kutu”ya sokarsınız, onu işlemesine izin verirsiniz ve nihayetinde yalnızca cevabını alırsınız. Ancak, ağların karmaşıklığı nedeniyle, bu yanıtın nasıl üretildiği daha önce belirsizdi.

AI sonuçlarını yorumlamak için bir algoritma

Leipzig’deki Max Planck İnsan Bilişsel ve Beyin Bilimleri Enstitüsü’ndeki bilim adamları bu nedenle kara kutuyu açmak istediler: Model, sonucuna ulaşmak için neye bakıyor, beyin yaşı? Bunu yapmak için, ağların yaş tahminlerini analiz etmek için kullanılabilecek yeni bir yorumlama algoritması geliştirmek için Berlin’deki Fraunhofer Telekomünikasyon Enstitüsü ile birlikte çalıştılar.

Ph.D. Simon M. Hofmann, “Karmaşık bir regresyon görevinde yorumlama algoritmasını ilk kez uyguladık” diye açıklıyor. Max Planck Enstitüsü’nde aday ve şu anda dergide yer alan temel çalışmanın ilk yazarı NeuroImage.

“Artık beynin hangi bölgelerinin ve özelliklerinin biyolojik yaşın daha yüksek veya daha düşük olduğunun göstergesi olduğunu tam olarak belirleyebiliyoruz.”

Bu, yapay sinir ağlarının diğer şeylerin yanı sıra beyaz maddeyi tahmin yapmak için kullandığını gösterdi. Buna göre, özellikle beyindeki sinir dokusundan kaç küçük çatlak ve yara izi geçtiğine bakarlar. Ayrıca serebral korteksteki olukların ne kadar geniş olduğunu veya ventriküller olarak adlandırılan boşlukların ne kadar büyük olduğunu analiz ederler.

Önceki araştırmalar, bir kişinin yaşı ne kadar büyükse, oluklarının ve karıncıklarının ortalama olarak o kadar büyük olduğunu göstermiştir. İlginç olan, yapay sinir ağlarının bu sonuçlara kendi kendilerine – bu bilgi verilmeden – ulaşmış olmasıdır. Eğitim aşamasında ellerinde olan tek şey beyin taramaları ve kişinin gerçek yaşam yıllarıydı.

Araştırma grubunun lideri Veronica Witte, “Elbette, artan bir yaş tahmini de modelin bir hatası olarak yorumlanabilir” dedi. “Fakat bu sapmaların biyolojik olarak önemli olduğunu gösterebildik.”

Örneğin, araştırmacılar diyabetli kişilerin beyin yaşının arttığını doğruladılar. Hastaların beyaz cevherde daha fazla lezyona sahip olduğunu gösterebildiler.

Tıbbi teşhiste gelecekteki rolü

Yapay sinir ağlarının tıbbi teşhiste giderek daha önemli bir rol oynayacağı şimdiden açık. Bu algoritmaların ne tarafından yönlendirildiğini bilmek, böylece giderek daha önemli hale gelecektir: Gelecekte, bir beyin taraması, her biri belirli alanlarda uzmanlaşmış farklı ağlar tarafından otomatik olarak analiz edilebilir – biri Alzheimer hastalığı, diğeri tümörler hakkında sonuçlar çıkarır ve bir diğeri olası zihinsel bozukluklar hakkında.

“Doktor daha sonra sadece belirli hastalıkların mevcut olabileceğine dair geri bildirim almakla kalmaz. Ayrıca teşhislerin altında beyindeki hangi alanların yattığını da görüyor” diye açıklıyor Hofmann.

Karşılık gelen özellikler, her durumda algoritmalar tarafından doğrudan MRI görüntüsünde işaretlenir ve böylece tıp uzmanları tarafından daha kolay tespit edilebilir – bu da daha sonra bir hastalığın ne kadar şiddetli olduğu hakkında anında sonuçlar çıkarabilir.

Yanlış teşhisleri tespit etmek de daha kolay olacaktır: Analiz, görüntü oluşturulurken meydana gelen hatalar gibi biyolojik olarak mantıksız alanlara dayanıyorsa, bunlar doktor tarafından hemen tespit edilebilir. Araştırma ekibinin yorumlama algoritması, sonuçta yapay sinir ağlarının doğruluğunu artırmaya da yardımcı olabilir.

Bir takip çalışmasında, araştırmacılar şimdi modellerinin neden beyindeki yaşlanma araştırmalarında şimdiye kadar çok az rol oynayan özelliklere de baktıklarını daha ayrıntılı olarak araştırmak istiyorlar – örneğin, sinir ağları aynı zamanda serebelluma da odaklanıyor. Sağlıklı ve hastalıklı insanlarda yaşlanma süreçlerinin nasıl ilerlediği bilim adamları için bir gizem olmuştur.

Bu yapay zeka ve biyolojik yaş araştırma haberleri hakkında

Soyut

Çok modlu nörogörüntüleme için derin öğrenme modellerinin yorumlanabilirliğine doğru: Yaşlanan beynin yapısal değişikliklerini bulma

Derin öğrenmeye dayalı beyin yaşı (BA) tahminleri, beyin sağlığı için nörogörüntüleme biyobelirteçleri olarak giderek daha fazla kullanılmaktadır; ancak, altta yatan sinirsel özellikler belirsizliğini koruyor.

Hangi beyin özelliklerinin BA’ya katkıda bulunduğunu tespit etmek için evrişimli sinir ağları topluluklarını Katmanlı İlişki Yayılımı (LRP) ile birleştirdik.

Popülasyona dayalı bir çalışmanın manyetik rezonans görüntüleme (MRI) verileri üzerine eğitim aldı (n = 2637, 18–82 yıl), modellerimiz tekli ve çoklu modalitelere, bölgesel olarak kısıtlanmış ve tüm beyin görüntülerine (ortalama mutlak hata 3,37–3,86 yıl) dayalı olarak yaşı doğru bir şekilde tahmin etti.

BA tahminlerinin, hem küçük hem de büyük ölçekli değişikliklerde yaşlanmayı yakaladığını, ventriküllerin ve subaraknoid boşlukların büyük ölçüde genişlemesinin yanı sıra beyaz madde lezyonlarını ve beyinde görülen atrofileri ortaya çıkardığını bulduk. Beklenen yaşlanmadan sapma, kardiyovasküler risk faktörlerini yansıtıyordu ve hızlanan yaşlanma, frontal lobda daha belirgindi.

LRP’yi uygulayan çalışmamız, üstün derin öğrenme modellerinin yetişkinlik boyunca sağlıklı ve risk altındaki bireylerde beyin yaşlanmasını nasıl tespit ettiğini göstermektedir.