可以帮助预测神经退行性疾病影响的机器学习系统
通过将MRI和其他数据相结合,麻省理工学院的工程师正在开发一种计算机系统,该系统使用遗传,人口统计和临床数据来帮助预测疾病对大脑解剖结构的影响。
在实验中,他们使用神经退行性疾病患者的MRI数据对机器学习系统进行了培训,发现与其他患者信息一起补充培训可以改善系统的预测。对于大脑解剖结构发生剧烈变化的患者,附加数据将预测的错误率降低了一半,从20%降至10%。
麻省理工学院电气工程与计算机科学教授,新论文的资深作者波琳娜·高兰德(Polina Golland)说:“这是我们有史以来第一篇论文。”“我们的目标不是证明我们的模型是做这种事情的最佳模型;是为了证明信息确实存在于数据中。因此,我们要做的是,采用我们的模型,我们关闭了遗传信息以及人口统计和临床信息,并且看到结合了这些信息,我们可以更好地预测解剖学变化。”
该论文的第一作者是麻省理工学院电气工程与计算机科学专业的研究生,麻省理工学院计算机科学与人工智能实验室的Golland研究小组成员Adrian Dalca。戈兰德小组的另一位博士生Ramesh Sridharan和马萨诸塞州总医院放射学助理教授Mert Sabuncu参加了会议,他是戈兰德小组的博士后。
研究人员将在本周的医学图像计算和计算机辅助干预国际会议上介绍该论文。这项工作是神经影像分析中心的一个项目,该中心位于波士顿的百翰妇女医院,由美国国立卫生研究院资助。
公分母
在他们的实验中,研究人员使用了阿尔茨海默氏病神经影像学计划的数据,这是一项关于神经退行性疾病的纵向研究,其中包括相隔数月和数年的相同受试者的MRI扫描。
每次扫描均表示为三维模型,该三维模型由数百万个微小的立方体或“体素”组成,相当于图像像素的3-D形式。
研究人员的第一步是通过平均数百个随机选择的MRI扫描的体素值来生成通用的大脑模板。然后,他们将针对机器学习算法的训练集中的每次扫描表征为模板的变形。训练集中的每个主题均由两次扫描代表,相隔六个月至七年不等。
研究人员进行了两项实验:一项是对健康受试者的扫描系统进行训练,以及对显示阿尔茨海默氏病或轻度认知障碍证据的系统进行训练;另一项研究仅对健康受试者的数据进行训练。
在第一个实验中,他们对系统进行了两次训练,一次仅使用MRI扫描,第二次使用附加信息对其进行补充。其中包括有关称为单核苷酸多态性的遗传标记的数据。人口统计数据,例如年龄,性别,婚姻状况和受教育程度;基本的临床数据,例如各种认知测试中患者的评分。
健康受试者和处于神经退行性疾病早期阶段的受试者的大脑不会随时间变化,实际上,在受试者扫描之间的差异很小的情况下,仅在MRI数据上训练的系统效果很好。但是,如果更改的标记更为明显,则补充数据的添加将产生显着差异。
反事实
在第二个实验中,研究人员仅对MRI数据和健康受试者的补充数据进行了一次系统培训。但是他们改用它来预测阿尔茨海默氏症患者的大脑在没有疾病的情况下会是什么样子。
在这种情况下,没有临床数据可以验证系统的预测。但是研究人员认为,探索这种反事实可能在科学上有用。
戈兰德说:“这将阐明个体受试者的变化,例如轻度认知障碍,这是阿尔茨海默氏症的先兆,与正常退化相比,将沿着这种退化轨迹发展。”“我们认为对此有非常有趣的研究应用。但我必须诚实地说,最初的动机是对我们可以从遗传学和其他非图像数据中预测多少解剖结构的好奇。”
哈佛医学院放射学教授,麻省总医院Athinoula A. Martinos生物医学成像中心主任布鲁斯·罗森(Bruce Rosen)说:“临床和遗传数据会有所帮助并不奇怪。”“但是它做得很好的事实令人鼓舞。”
Rosen补充说:“这些工具有许多种方式可以使研究界受益。”“在我看来,更具挑战性的问题是它们是否可以在临床上有用。”
罗森说,一些有希望的实验性阿尔茨海默氏症药物需要及早确定疾病可能如何发展。他说,目前,这种确定依赖于MRI和PET扫描数据的结合。Rosen说:“人们认为MRI昂贵,但这只是PET扫描成本的一小部分。”“如果机器学习工具可以帮助避免在疾病过程的早期评估患者时需要进行PET扫描,那将是非常有影响力的。”
PDF纸本副本:具有遗传和临床数据的解剖学预测模型