Νέο εργαλείο Τεχνητής Νοημοσύνης προβλέπει ηλικία εγκεφάλου, κίνδυνο άνοιας, επιβίωση από καρκίνο
Ένα νέο θεμελιώδες μοντέλο Τεχνητής Νοημοσύνης (ΤΝ) αναπτύχθηκε, το οποίο μπορεί να εξάγει με ακρίβεια πολλαπλά σήματα κινδύνου ασθενειών από συνήθεις μαγνητικές τομογραφίες εγκεφάλου (MRI). Αυτές οι δυνατότητες περιλαμβάνουν: την εκτίμηση της «ηλικίας του εγκεφάλου» ενός ατόμου, την πρόβλεψη του κινδύνου άνοιας, την ανίχνευση μεταλλάξεων σε όγκους εγκεφάλου και την πρόβλεψη της επιβίωσης από καρκίνο εγκεφάλου, σύμφωνα με ερευνητές από το Mass General Brigham, συνδεδεμένο με το Χάρβαρντ.
Το μοντέλο, γνωστό ως BrainIAC (Brain Imaging Adaptive Core), εκπαιδεύτηκε σε σχεδόν 49.000 μαγνητικές τομογραφίες εγκεφάλου. Το εργαλείο ξεπέρασε σε απόδοση άλλα, πιο εξειδικευμένα μοντέλα ΤΝ, και ήταν ιδιαίτερα αποτελεσματικό όταν τα διαθέσιμα δεδομένα εκπαίδευσης ήταν περιορισμένα.
Τα αποτελέσματα δημοσιεύονται στο Nature Neuroscience.
Σύμφωνα με τους ερευνητές, παρά τις πρόσφατες εξελίξεις στις προσεγγίσεις ιατρικής ΤΝ, υπάρχει έλλειψη δημόσια διαθέσιμων μοντέλων που εστιάζουν σε ευρεία ανάλυση μαγνητικών τομογραφιών εγκεφάλου. Οι περισσότερες συμβατικές πλατφόρμες εκτελούν συγκεκριμένες εργασίες και απαιτούν εκτενή εκπαίδευση με μεγάλες, επισημασμένες βάσεις δεδομένων που μπορεί να είναι δύσκολο να αποκτηθούν. Επιπλέον, οι εικόνες μαγνητικής τομογραφίας εγκεφάλου από διαφορετικά ιδρύματα μπορεί να διαφέρουν στην εμφάνιση και ανάλογα με τις σκοπούμενες εφαρμογές τους (όπως στη νευρολογία έναντι της ογκολογικής φροντίδας), καθιστώντας δύσκολο για τις πλατφόρμες ΤΝ να μάθουν παρόμοιες πληροφορίες από αυτές.
Για να αντιμετωπίσει αυτούς τους περιορισμούς, το BrainIAC χρησιμοποιεί μια μέθοδο που ονομάζεται αυτο-εποπτευόμενη μάθηση (self-supervised learning) για να εντοπίσει εγγενή χαρακτηριστικά από μη επισημασμένες βάσεις δεδομένων, τα οποία στη συνέχεια μπορούν να προσαρμοστούν σε ένα εύρος εφαρμογών. Μετά την προ-εκπαίδευση της πλατφόρμας σε πολλαπλές βάσεις δεδομένων απεικόνισης μαγνητικής τομογραφίας εγκεφάλου, οι ερευνητές επικύρωσαν την απόδοσή της σε 48.965 ποικίλες μαγνητικές τομογραφίες εγκεφάλου σε επτά διακριτές εργασίες με μεταβαλλόμενη κλινική πολυπλοκότητα.
Οι ερευνητές διαπίστωσαν ότι το BrainIAC μπόρεσε επιτυχώς να γενικεύσει τις γνώσεις του σε υγιείς και μη φυσιολογικές εικόνες και στη συνέχεια να τις εφαρμόσει τόσο σε σχετικά απλές εργασίες, όπως η ταξινόμηση τύπων μαγνητικής τομογραφίας, όσο και σε πολύ δύσκολες εργασίες, όπως η ανίχνευση τύπων μετάλλαξης όγκων εγκεφάλου. Το μοντέλο ξεπέρασε επίσης τρεις πιο συμβατικές, εξειδικευμένες πλατφόρμες ΤΝ σε αυτές και άλλες εφαρμογές.
Οι συγγραφείς σημειώνουν ότι το BrainIAC ήταν ιδιαίτερα καλό στην πρόβλεψη αποτελεσμάτων όταν τα δεδομένα εκπαίδευσης ήταν σπάνια ή η πολυπλοκότητα της εργασίας ήταν υψηλή, υποδεικνύοντας ότι το μοντέλο θα μπορούσε να προσαρμοστεί καλά σε πραγματικές συνθήκες όπου οι επισημασμένες ιατρικές βάσεις δεδομένων δεν είναι πάντα εύκολα διαθέσιμες. Απαιτείται περαιτέρω έρευνα για να δοκιμαστεί αυτή η πλατφόρμα σε πρόσθετες μεθόδους απεικόνισης εγκεφάλου και μεγαλύτερες βάσεις δεδομένων.
«Το BrainIAC έχει τη δυνατότητα να επιταχύνει την ανακάλυψη βιοδεικτών, να ενισχύσει τα διαγνωστικά εργαλεία και να επιταχύνει την υιοθέτηση της ΤΝ στην κλινική πρακτική», δήλωσε ο αντίστοιχοσς συγγραφέας Benjamin Kann του Προγράμματος Τεχνητής Νοημοσύνης στην Ιατρική (AIM) στο MGB και αναπληρωτής καθηγητής ογκολογίας ακτινοβολίας στην Ιατρική Σχολή του Χάρβαρντ. «Η ενσωμάτωση του BrainIAC στα πρωτόκολλα απεικόνισης θα μπορούσε να βοηθήσει τους κλινικούς ιατρούς να εξατομικεύσουν και να βελτιώσουν καλύτερα τη φροντίδα των ασθενών.»
Αυτή η μελέτη υποστηρίχθηκε εν μέρει από τα Εθνικά Ινστιτούτα Υγείας/Εθνικό Ινστιτούτο Καρκίνου και την Κοινοπραξία Botha-Chan για Γλοιώματα Χαμηλού Βαθμού (Botha-Chan Low Grade Glioma Consortium).