211service.com
Deep-Learning Machine gebruikt MRI-scans om uw hersenleeftijd te bepalen
Menselijke cognitieve vermogens nemen af met de leeftijd. En neurowetenschappers weten al lang dat deze achteruitgang ook correleert met anatomische veranderingen in de hersenen. Het is dus geen verrassing om te horen dat het mogelijk is om de tekenen van veroudering te herkennen in MRI-beelden van de hersenen en zelfs om een hersenleeftijd te bepalen. Het verschil tussen hersenleeftijd en chronologische leeftijd kan het begin van aandoeningen zoals dementie onthullen.
Maar de analyse is langdurig omdat de MRI-gegevens zwaar moeten worden verwerkt voordat ze geschikt zijn voor geautomatiseerde veroudering. Deze voorbewerking omvat het verwijderen uit het beeld van niet-hersenweefsel zoals de schedel, de classificatie van witte stof, grijze stof en ander weefsel, en het verwijderen van beeldartefacten samen met verschillende technieken om gegevens glad te strijken.
Al deze gegevensverwerking kan meer dan 24 uur duren, en dat is een serieus obstakel voor artsen die bij het stellen van een klinische diagnose rekening willen houden met de hersenleeftijd van een patiënt.
Tegenwoordig verandert dat allemaal dankzij het werk van Giovanni Montana aan King's College London en een paar vrienden die een dieplerende machine hebben getraind om de hersenleeftijd te meten met behulp van onbewerkte gegevens van een MRI-scanner. De diepgaande leertechniek duurt seconden en kan clinici een nauwkeurig idee geven van de hersenleeftijd terwijl de patiënt nog in de scanner zit.
De methode is een standaard deep-learning techniek. Montana en co gebruiken MRI-hersenscans van meer dan 2.000 gezonde mensen tussen 18 en 90 jaar oud. Geen van hen had enige vorm van neurologische aandoening die hun hersenleeftijd zou kunnen beïnvloeden. Dus hun hersenleeftijd moet overeenkomen met hun chronologische leeftijd.
Elke scan is een standaard T1-gewogen MRI-scan van het type dat door de meeste moderne MRI-machines wordt geproduceerd. Elke scan is gelabeld met de chronologische leeftijd van de patiënt.
Het team gebruikte 80 procent van deze beelden om een convolutioneel neuraal netwerk te trainen om de leeftijd van een persoon te bepalen, gezien hun hersenscan. Ze gebruikten nog eens 200 afbeeldingen om dit proces te valideren. Ten slotte testten ze het neurale netwerk op 200 afbeeldingen die het niet had gezien om te bepalen hoe goed het de hersenleeftijd kon meten.
Tegelijkertijd vergeleek het team de deep learning-benadering met de conventionele methode om de hersenleeftijd te bepalen. Dit vereist uitgebreide beeldverwerking om onder andere witte stof en grijze stof in de hersenen te identificeren, gevolgd door een statistische analyse genaamd Gaussiaanse procesregressie.
De resultaten zorgen voor interessante lectuur. Zowel deep learning als Gaussiaanse procesregressie bepalen nauwkeurig de chronologische leeftijd van patiënten wanneer ze vooraf verwerkte gegevens krijgen om te analyseren. Beide methoden doen dit met een fout van minder dan vijf jaar, hoe dan ook.
Deep learning toont echter zijn duidelijke superioriteit bij het analyseren van onbewerkte MRI-gegevens, waar het net zo goed presteert en de juiste leeftijd geeft met een gemiddelde fout van 4,66 jaar. Daarentegen presteert de standaardmethode van Gaussiaanse procesregressie slecht in deze test, wat een ruwe leeftijd oplevert met een gemiddelde fout van bijna 12 jaar.
Bovendien duurt de deep learning-analyse slechts enkele seconden in vergelijking met de 24 uur voorbewerking die nodig is voor de standaardmethode. De enige gegevensverwerking die nodig is voor de deep-learningmachine, is om de consistentie van de beeldoriëntatie en de voxel-afmetingen tussen afbeeldingen te waarborgen.
Dat heeft grote gevolgen voor artsen. Met de juiste software-implementatie kunnen hersenvoorspelde leeftijdsgegevens beschikbaar worden gesteld aan een clinicus terwijl de patiënt nog in de scanner zit, zeggen Montana en co.
Het team vergeleek ook afbeeldingen die met verschillende scanners zijn gemaakt om aan te tonen dat de techniek kan worden toegepast op scans die op verschillende machines in verschillende delen van de wereld zijn gemaakt. Ze vergelijken ook de hersenleeftijd van een tweeling om te laten zien hoe de hersenleeftijd verband houdt met genetische factoren. Interessant is dat de correlatie afneemt met de leeftijd, wat suggereert dat omgevingsfactoren belangrijker worden naarmate de tijd verstrijkt, en suggereert een veelbelovende lijn van toekomstig onderzoek.
Dat is een indrukwekkend resultaat dat het potentieel heeft om de manier waarop clinici tot een diagnose komen aanzienlijk te beïnvloeden. Er is aanzienlijk bewijs dat aandoeningen zoals diabetes, schizofrenie en traumatisch hersenletsel verband houden met snellere hersenveroudering. Dus een manier om hersenveroudering snel en nauwkeurig te meten, zou een belangrijke impact kunnen hebben op de manier waarop clinici in de toekomst met deze aandoeningen omgaan. Door de hersenen voorspelde leeftijd vertegenwoordigt een nauwkeurig, zeer betrouwbaar en genetisch valide fenotype dat potentieel kan worden gebruikt als een biomarker voor hersenveroudering, zeggen Montan en co.
Referentie: arxiv.org/abs/1612.02572 : Het voorspellen van de hersenleeftijd met diepgaand leren van onbewerkte beeldgegevens resulteert in een betrouwbare en erfelijke biomarker