Функциональная магнитно-резонансная томография (фМРТ) – это неинвазивный метод диагностики заболеваний головного мозга. Он измеряет мельчайшие изменения уровня кислорода в крови в мозгу с течением времени, давая представление о локальной активности нейронов. Несмотря на свои преимущества, фМРТ не получила широкого распространения в клинической диагностике. Причина двоякая.
Во-первых, изменения в сигналах фМРТ настолько малы, что они чрезмерно чувствительны к шуму, что может испортить результаты. Во-вторых, данные фМРТ сложно анализировать. Здесь на сцену выходят алгоритмы глубокого обучения.
В недавнем исследовании, опубликованном в Journal of Medical Imaging, ученые из Техасского технологического университета использовали алгоритмы машинного обучения для классификации данных фМРТ.
Они разработали тип алгоритма глубокого обучения, известный как сверточная нейронная сеть (CNN), который может различать сигналы фМРТ здоровых людей, людей с легкими когнитивными нарушениями и людей с БА.
CNN могут автономно извлекать из входных данных функции, скрытые от наблюдателей. Они получают эти функции через обучение, для чего требуется большой объем предварительно классифицированных данных. CNN преимущественно используются для классификации 2D-изображений, а это означает, что четырехмерные данные fMRI (три пространственных и одно временное) представляют проблему.
Данные фМРТ несовместимы с большинством существующих проектов CNN.
Чтобы преодолеть эту проблему, исследователи разработали архитектуру CNN, которая может надлежащим образом обрабатывать данные фМРТ с минимальными шагами предварительной обработки. Первые два уровня сети сосредоточены на извлечении функций из данных исключительно на основе временных изменений, без учета трехмерных структурных свойств.
Затем три последующих слоя извлекают пространственные характеристики в разных масштабах из ранее извлеченных временных характеристик. Это дает набор пространственно-временных характеристик, которые конечные слои используют для классификации входных данных фМРТ от здорового субъекта, человека с ранним или поздним умеренным когнитивным нарушением или пациента с AD.
Эта стратегия предлагает много преимуществ по сравнению с предыдущими попытками объединить машинное обучение с фМРТ для диагностики БА.
Харшит Пармар, докторант Техасского технологического университета и ведущий автор исследования, объясняет, что наиболее важный аспект их работы заключается в качествах архитектуры их CNN. Новый дизайн прост, но эффективен для обработки сложных данных фМРТ, которые могут подаваться в качестве входных данных в CNN без каких-либо значительных манипуляций или модификаций структуры данных.
В свою очередь, это сокращает необходимые вычислительные ресурсы и позволяет алгоритму делать прогнозы быстрее.
Могут ли методы глубокого обучения улучшить область обнаружения и диагностики AD? Пармар так думает. «CNN с глубоким обучением можно использовать для извлечения функциональных биомаркеров, связанных с AD, что может быть полезно для раннего выявления деменции, связанной с AD», – объясняет он.
Исследователи обучили и протестировали свою CNN с данными фМРТ из общедоступной базы данных, и первоначальные результаты были многообещающими: точность классификации их алгоритма была такой же или выше, чем у других методов.
Если эти результаты подходят для больших наборов данных, их клиническое значение может быть огромным. "От болезни Альцгеймера пока нет лекарства. Хотя повреждение головного мозга нельзя обратить вспять, прогрессирование заболевания можно уменьшить и контролировать с помощью лекарств », – утверждают авторы. "Наш классификатор может точно идентифицировать стадии легких когнитивных нарушений, которые обеспечивают раннее предупреждение до прогрессирования AD."