MRI脳画像の電子的比較により生物学的年齢を正確に決定

Neuroscience News logo for mobile.


概要: 人工ニューラル ネットワークを使用してニューロ イメージング データを分析することで、研究者は生物学的年齢を正確に判断できるようになりました。

出典: マックス・プランク協会

最新の AI 技術、いわゆる人工ニューラル ネットワークを使用して、人の生物学的年齢を脳画像から正確に判断できます。

しかし、これまで、これらのネットワークが年齢を推測するために使用していた特徴は不明でした。 Max Planck Institute for Human Cognitive and Brain Sciences の研究者は、年齢の推定が脳内のあらゆる機能にまでさかのぼることを明らかにするアルゴリズムを開発し、人の健康状態に関する一般的な情報を提供しています。

したがって、このアルゴリズムは、腫瘍やアルツハイマー病をより迅速に検出するのに役立ち、糖尿病などの疾患の神経学的影響について結論を出すことができます。

ディープ ニューラル ネットワークは、すでにさまざまなレベルで私たちの日常生活を豊かにしている AI テクノロジです。実際のニューロンの働きをモデルにした人工ネットワークは、言語の理解と翻訳、テキストの解釈、画像内の物体や人物の認識を行うことができます。 しかし、脳の MRI スキャンに基づいて人の年齢を判断することもできます。

確かに年齢は本人に聞いた方が分かりやすいです。 しかし、機械年齢の決定は、人生のさまざまな段階で健康な脳が通常どのように見えるかについてのアイデアも提供します.

ネットワークがスキャンに基づいて脳の生物学的年齢を実際よりも高く見積もった場合、それは病気や怪我の可能性を示している可能性があります。

たとえば、以前の研究では、糖尿病や重度の認知障害などの特定説(推定)の病気を持つ人々の脳は、実際よりも長く生きているように見えることがわかっていました. 言い換えれば、脳は、これらの人々の年齢に基づいて想定されるよりも生物学的に悪い状態にあった.

人工ニューラル ネットワークは生物学的年齢を正確に判断できますが、そのアルゴリズムがどのような脳画像からの情報を使用してその判断を行ったかは、これまで知られていませんでした。 AI 研究の分野の科学者も、これを「ブラック ボックス問題」と呼んでいます。

これによると、脳の画像をモデル、つまり「ブラック ボックス」にプッシュして処理させ、最終的にはその答えだけを取得します。 ただし、ネットワークが複雑なため、この応答がどのように生成されるかは以前は不明でした。

AI の結果を解釈するためのアルゴリズム

したがって、ライプツィヒにあるマックス プランク人間認知脳科学研究所の科学者たちは、ブラック ボックスを開けたいと考えました。このモデルは、その結果である脳年齢に到達するために何を調べているのでしょうか? これを行うために、彼らはベルリンのフラウンホーファー電気通信研究所と協力して、ネットワークの年齢推定の分析に使用できる新しい解釈アルゴリズムを開発しました。

「複雑な回帰タスクに解釈アルゴリズムを適用したのはこれが初めてです。 マックス・プランク研究所の候補者であり、基礎となる研究の筆頭著者であり、現在、ジャーナル NeuroImage に掲載されています。

「脳のどの領域と特徴が生物学的年齢の高低を示しているかを正確に判断できるようになりました。」

これは、人工ニューラルネットワークがとりわけ白質を使用して予測を行うことを示しました。 したがって、彼らは特に、脳の神経組織を通る小さな亀裂や瘢痕の数を調べます。 また、大脳皮質の溝の幅や、いわゆる脳室と呼ばれる空洞の大きさも分析します。

以前の研究では、年齢が高いほど、畝間と心室が平均して大きくなっていることが示されています。 興味深いことに、人工ニューラル ネットワークは、この情報が与えられることなく、独自にこれらの結果に到達したことです。 訓練段階で入手できたのは、脳スキャンとその人の本当の寿命だけでした。

研究グループのリーダーであるヴェロニカ・ウィッテ氏は、「もちろん、推定年齢の増加はモデルの誤りと解釈することもできます。 「しかし、これらの偏差が生物学的に重要であることを示すことができました。」

ネットワークがスキャンに基づいて脳の生物学的年齢を実際よりも高く見積もった場合、それは病気や怪我の可能性を示している可能性があります。 画像はパブリックドメインです

たとえば、研究者は、糖尿病患者の脳年齢が増加していることを確認しました。 彼らは、患者は白質により多くの病変があることを示すことができました.

医療診断における将来の役割

人工ニューラル ネットワークが医療診断においてますます重要な役割を果たすことは、すでに明らかです。 したがって、これらのアルゴリズムが何によって導かれているかを知ることは、ますます重要になります。将来的には、脳スキャンは、それぞれが特定説(推定)の領域に特化したさまざまなネットワークによって自動的に分析される可能性があります。1 つはアルツハイマー病に関する結論を導き出し、もう 1 つは腫瘍に関する結論を導き出します。考えられる精神障害について。

「医師は、特定説(推定)の病気が存在する可能性があるというフィードバックを受け取るだけではありません。 彼女はまた、診断の根底にある脳の領域も確認します」と Hofmann 氏は説明します。

対応する特徴は、それぞれの場合にアルゴリズムによって MRI 画像に直接マークされるため、医療専門家はより簡単に検出できます。医療専門家は、病気の重症度について即座に結論を出すことができます。

こちらもご覧ください

これは、研究からの脳波の読み出しを示しています

また、誤診の検出も容易になります。画像の作成時に発生したエラーなど、生物学的に信じがたい領域に分析が基づいている場合、医師はこれらを即座に検出できます。 したがって、研究チームの解釈アルゴリズムは、最終的には人工ニューラル ネットワーク自体の精度の向上にも役立ちます。

フォローアップ研究で、研究者たちは現在、老化研究でこれまでほとんど役割を果たさなかった脳の機能もモデルが調べている理由をより詳細に調査したいと考えています。たとえば、ニューラル ネットワークは小脳にも焦点を当てています。 健康な人と病気の人で老化プロセスがどのように進行するかは、科学者にとって謎でした。

このAIと生物学的年齢研究のニュースについて

著者: プレス オフィスソース: マックス プランク ソサエティ連絡先: プレス オフィス – マックス プランク ソサエティ画像: 画像はパブリック ドメインにあります

元の研究: オープン アクセス。「マルチモーダル ニューロ イメージングのためのディープ ラーニング モデルの解釈可能性に向けて: 老化した脳の構造変化の発見」サイモン M. ホフマンらによる。 ニューロイメージ

概要

マルチモーダルニューロイメージングのための深層学習モデルの解釈可能性に向けて:老化した脳の構造変化の発見

深層学習に基づく脳年齢 (BA) の推定値は、脳の健康状態を示す神経画像バイオマーカーとしてますます使用されています。 ただし、根底にある神経機能は不明のままです。

畳み込みニューラル ネットワークのアンサンブルと層ごとの関連性伝播 (LRP) を組み合わせて、BA に寄与する脳の機能を検出しました。

人口ベースの研究(n = 2637、18〜82歳)の磁気共鳴画像法(MRI)データでトレーニングされたモデルは、単一および複数のモダリティ、地域的に制限された全脳画像に基づいて年齢を正確に推定しました(平均絶対誤差3.37 –3.86 年)。

BA 推定値は、小規模および大規模な変化の両方で老化を捉え、心室とクモ膜下腔の全体的な拡大、白質病変、および脳全体に現れる萎縮を明らかにすることがわかります。 予想される老化からの逸脱は心血管リスク要因を反映しており、老化の加速は前頭葉でより顕著でした。

LRP を適用して、私たちの研究は、優れた深層学習モデルが成人期を通じて健康でリスクのある個人の脳の老化をどのように検出するかを示しています。



Source link