Une approche d’IA peut aider à détecter la maladie d’Alzheimer grâce à des tests d’imagerie cérébrale de routine

résumé: À l’aide de données de neuroimagerie, un nouvel algorithme d’apprentissage en profondeur a pu détecter la maladie d’Alzheimer avec une précision de 90,2 %.

source: messe publique

Bien que les chercheurs aient fait de grands progrès dans la détection des signes de la maladie d’Alzheimer à l’aide de tests d’imagerie cérébrale de haute qualité collectés dans le cadre d’études de recherche, une équipe du Massachusetts General Hospital (MGH) a récemment développé une méthode de détection précise basée sur des images cliniques du cerveau collectées de manière organique. routine. L’avance peut conduire à des diagnostics plus précis.

Pour l’étude publiée dans Un de plusMatthew Lemming, PhD, chercheur au MGH Center for Systems Biology et chercheur au Alzheimer’s Disease Research Center dans le Massachusetts, et ses collègues ont utilisé l’apprentissage en profondeur – un type d’apprentissage automatique et d’intelligence artificielle qui utilise de grandes quantités de données et des algorithmes complexes former des modèles.

Dans ce cas, les scientifiques ont développé un modèle pour détecter la maladie d’Alzheimer basé sur des données d’images d’imagerie par résonance magnétique (IRM) du cerveau recueillies auprès de patients atteints et non atteints de la maladie d’Alzheimer qui ont été vus à l’HGM avant 2019.

Ensuite, le groupe a testé le modèle sur cinq ensembles de données – MGH après 2019, Brigham and Women’s Hospital avant et après 2019, et systèmes externes avant et après 2019 – pour voir s’il pouvait détecter avec précision la maladie d’Alzheimer sur la base de la vérité des données cliniques mondiales, quel que soit l’hôpital et l’heure.

Dans l’ensemble, la recherche comprenait 11 103 images de 2 348 patients à risque de développer la maladie d’Alzheimer et 26 892 images de 8 456 patients sans maladie d’Alzheimer. Dans les cinq ensembles de données, le modèle a détecté le risque de maladie d’Alzheimer avec une précision de 90,2 %.

Une innovation majeure du travail était sa capacité à détecter la maladie d’Alzheimer indépendamment d’autres variables, comme l’âge. « La maladie d’Alzheimer survient généralement chez les personnes âgées, et les modèles d’apprentissage en profondeur ont donc souvent du mal à détecter les cas précoces les plus rares », explique Lemming.

« Nous avons résolu ce problème en rendant le modèle d’apprentissage en profondeur » aveugle « aux caractéristiques cérébrales qui se sont avérées trop corrélées avec l’âge dudit patient. »

Un autre défi courant dans la détection des maladies, en particulier dans les contextes réels, note Lemming, consiste à traiter des données très différentes de l’ensemble de formation. Par exemple, un modèle d’apprentissage en profondeur formé sur l’IRM à partir d’un scanner fabriqué par General Electric pourrait ne pas reconnaître les images IRM collectées sur un scanner fabriqué par Siemens.

Le modèle a utilisé une mesure d’incertitude pour déterminer si les données du patient étaient trop différentes de ce sur quoi il avait été formé pour pouvoir faire une prédiction réussie.

« Il s’agit de l’une des seules études à avoir utilisé régulièrement l’IRM cérébrale pour essayer de détecter la démence. Alors qu’un grand nombre d’études d’apprentissage en profondeur ont été réalisées pour détecter la maladie d’Alzheimer par IRM cérébrale, cette étude prend des mesures substantielles pour le faire de manière réaliste. des environnements cliniques plutôt que des environnements de laboratoire idéalisés », a déclaré Lemming.

« Nos résultats, généralisés sur l’ensemble du site, du temps et de la population, constituent un argument solide en faveur de l’utilisation clinique de cette technologie de diagnostic. »

Les co-auteurs supplémentaires incluent Sudeshna Das, PhD, et Hyungsoon Im, PhD.

Financement: Ce travail a été soutenu par les National Institutes of Health et par le biais d’un programme d’innovation technologique financé par le ministère du Commerce, de l’Industrie et de l’Énergie de la République de Corée, qui a été administré dans le cadre d’un sous-contrat avec le MGH.

À propos de cette actualité de la recherche sur l’intelligence artificielle et la maladie d’Alzheimer

auteur: Braddon Chase
source: messe publique
communication: Braddon Chase – Messe générale
image: L’image est dans le domaine public

Voir également

Recherche originale : libre accès.
« Régression de confusion contradictoire et mesures d’incertitude pour la classification des IRM cliniques hétérogènes au Mass General Brigham.Écrit par Matthew Lemming et al. Un de plus

un résumé

Régression de confusion contradictoire et mesures d’incertitude pour la classification des IRM cliniques hétérogènes au Mass General Brigham.

Dans ce travail, nous introduisons une nouvelle architecture d’apprentissage en profondeur, MUCRAN (Multi Correlative Regression Adversarial Network), pour former un modèle d’apprentissage en profondeur sur l’IRM cérébrale avec des facteurs de confusion démographiques et techniques rétractés.

Nous avons formé MUCRAN à l’aide de 17 076 IRM cérébrales cliniques T1 recueillies auprès du Massachusetts General Hospital avant 2019 et avons démontré que MUCRAN peut éliminer avec succès les principaux facteurs de confusion dans le vaste ensemble de données cliniques. Nous avons également appliqué une méthode de mesure de l’incertitude sur un ensemble de ces modèles pour exclure automatiquement les données hors distribution dans la détection de la MA.

En combinant MUCRAN avec une méthode d’estimation de l’incertitude, nous avons démontré des augmentations cohérentes et significatives de la précision de la détection de la MA pour les données MGH fraîchement collectées (post-2019 ; 84,6 % avec MUCRAN contre 72,5 % sans MUCRAN) et pour les données d’autres hôpitaux (90,3 %) d’un hôpital Brigham and Women’s et 81,0 % d’autres hôpitaux).

MUCRAN présente une approche généralisable pour la détection de maladies basée sur l’apprentissage profond dans des données cliniques hétérogènes.