211service.com
Deep-Learning Machine använder MRI-skanningar för att bestämma din hjärnas ålder
Människans kognitiva förmågor minskar med åldern. Och neuroforskare har länge vetat att denna nedgång också korrelerar med anatomiska förändringar i hjärnan. Så det är ingen överraskning att veta att det är möjligt att upptäcka tecken på åldrande i MRI-bilder av hjärnan och till och med fastställa en hjärnålder. Skillnaden mellan hjärnans ålder och kronologisk ålder kan avslöja uppkomsten av tillstånd som demens.
Men analysen är lång eftersom MRT-data måste bearbetas hårt innan det är lämpligt för automatiserat åldrande. Denna förbearbetning inkluderar borttagning från bilden av icke-hjärnvävnad såsom skallen, klassificering av vit substans, grå substans och annan vävnad, och borttagning av bildartefakter tillsammans med olika datautjämningstekniker.
All denna dataknäppning kan ta mer än 24 timmar, och det är ett allvarligt hinder för läkare som hoppas kunna ta hänsyn till en patients hjärnålder när de ställer en klinisk diagnos.
Idag förändras allt detta tack vare arbetet av Giovanni Montana vid King's College London och några kompisar som har tränat en djupinlärningsmaskin för att mäta hjärnans ålder med hjälp av rådata från en MRI-skanner. Tekniken för djupinlärning tar några sekunder och kan ge läkare en korrekt uppfattning om hjärnans ålder medan patienten fortfarande är i skannern.
Metoden är en standardteknik för djupinlärning. Montana och co använder MRT-hjärnskanning av över 2 000 friska personer mellan 18 och 90 år. Ingen hade någon form av neurologiskt tillstånd som kan påverka deras hjärnålder. Så deras hjärnålder bör matcha deras kronologiska ålder.
Varje skanning är en standard T1-vägd MR-undersökning av den typ som produceras av de flesta moderna MR-apparater. Varje skanning är märkt med patientens kronologiska ålder.
Teamet använde 80 procent av dessa bilder för att träna ett konvolutionellt neuralt nätverk för att bestämma en persons ålder, med tanke på deras hjärnskanning. De använde ytterligare 200 bilder för att validera denna process. Slutligen testade de det neurala nätverket på 200 bilder som det inte hade sett för att avgöra hur väl det kunde mäta hjärnans ålder.
Samtidigt jämförde teamet djupinlärningsmetoden med den konventionella metoden för att bestämma hjärnans ålder. Detta kräver omfattande bildbehandling för att identifiera bland annat vit substans och grå substans i hjärnan följt av en statistisk analys som kallas Gaussisk processregression.
Resultaten ger intressant läsning. Både djupinlärning och Gaussisk processregression bestämmer exakt den kronologiska åldern hos patienter när de ges förbearbetade data att analysera. Båda metoderna gör detta med ett fel på mindre än fem år i båda fallen.
Deep learning visar dock sin klara överlägsenhet när man analyserar rå MRI-data, där den presterar lika bra, ger rätt ålder med ett medelfel på 4,66 år. Däremot presterar standardmetoden för Gaussisk processregression dåligt i detta test, vilket ger en grov ålder med ett medelfel på nästan 12 år.
Dessutom tar djupinlärningsanalysen bara några sekunder jämfört med de 24 timmars förbearbetning som krävs för standardmetoden. Den enda databehandling som krävs för djupinlärningsmaskinen är att säkerställa konsistensen av bildorienteringen och voxeldimensionerna mellan bilderna.
Det har betydande konsekvenser för läkarna. Givet rätt mjukvaruimplementering kan hjärnförutsagda åldersdata göras tillgängliga för en läkare medan patienten fortfarande är i skannern, säger Montana och co.
Teamet jämförde också bilder tagna med olika skannrar bara för att visa att tekniken kan tillämpas på skanningar tagna på olika maskiner i olika delar av världen. De jämför också hjärnans åldrar hos tvillingar för att visa hur hjärnans ålder är kopplad till genetiska faktorer. Intressant nog sjunker korrelationen med åldern, vilket tyder på att miljöfaktorer blir mer betydelsefulla med tiden, och föreslår en lovande linje för framtida forskning.
Det är ett imponerande resultat som har potential att avsevärt påverka hur läkare kommer till en diagnos. Det finns betydande bevis för att tillstånd som diabetes, schizofreni och traumatisk hjärnskada är korrelerad med snabbare hjärnåldring. Så ett sätt att mäta hjärnans åldrande snabbt och exakt kan ha en viktig inverkan på hur läkare hanterar dessa tillstånd i framtiden. Hjärnförutspådd ålder representerar en exakt, mycket tillförlitlig och genetiskt giltig fenotyp som har potential att användas som en biomarkör för hjärnans åldrande, säger Montan och co.
Ref: arxiv.org/abs/1612.02572 : Att förutsäga hjärnans ålder med djup inlärning från råa bilddata resulterar i en pålitlig och ärftlig biomarkör