Analyse af hjernebølgeformer ved hjælp af neuroimaging big data for at forbedre diagnosen

Et team af forskere fra Osaka University og University of Tokyo udviklede MNet, et automatisk diagnosesystem for neurologiske sygdomme ved hjælp af magnetoencefalografi (MEG), demonstrere muligheden for at stille automatiske neurologiske sygdomsdiagnoser ved hjælp af MEG. Deres forskningsresultater blev offentliggjort i Videnskabelige rapporter .

MEG og elektroencefalografi (EEG) er afgørende for diagnosticering af neurologiske sygdomme som epilepsi. MEG giver mulighed for erhvervelse af detaljerede tids-rumlige mønstre af menneskelig hjerneaktivitet gennem måling af elektromagnetisk felt forbundet med neural aktivitet, udvinding af detaljerede tidsseriesignaler fra 160 sensorer. Selvom oplysninger opnået fra disse tests er vigtige for diagnosen, tid og ekspertise er nødvendig for at læse og analysere, og unormale bølgeformsmønstre kan gå glip af.

Deep Neural Network (DNN), også kendt som deep learning, er en delmængde af maskinlæring inden for kunstig intelligens (AI) og har i de senere år vakt opmærksomhed som et middel til at klassificere data på forskellige billeder, videoer, og lyder med høj nøjagtighed gennem en maskinlæringsproces ved hjælp af big data.

Det AI-drevne automatiske klassifikationssystem MNet, som bruger DNN som en beregningsramme, er baseret på et neuralt netværk kaldet EnvNet (ende-til-ende-konvolutionsnervalt netværk for miljølydklassificering) og kan trænes til at udtrække og lære funktioner i neuroimaging-signaler, der er unikke for forskellige neurologiske sygdomme fra en massiv mængde neurosimaging-data fra tidsserier.

Holdet forventede, at brugen af ​​DNN ville gøre det muligt for systemet at lære karakteristika ved neurologiske sygdomme fra mange signaler og klassificere patienter med neurologiske sygdomme mere præcist end konventionelle metoder, der bruger bølgeformer.

Med MNet, de forsøgte at klassificere neuroimaging big data på 140 patienter med epilepsi, 26 patienter med rygmarvsskader, og 67 raske forsøgspersoner. Det uddannede MNet lykkedes med at klassificere raske forsøgspersoner og dem med de to neurologiske sygdomme med en nøjagtighed på over 70 procent og patienter med epilepsi og raske forsøgspersoner med en nøjagtighed på næsten 90 procent. Klassificeringsnøjagtigheden var signifikant højere end den, der blev opnået af en støttevektormaskine (SVM), en konventionel generel maskinlæringsmetode baseret på bølgeformer (relative båndstyrker af EEG-signal). Bevæger sig fremad, denne teknik vil blive brugt til diagnosticering af forskellige neurologiske sygdomme, vurdering af sværhedsgrad, prognose, og behandlingens effekt.

"Maskinlæring udvikler sig konstant, med nye teknikker, der hele tiden udvikles. Imidlertid, uanset hvor meget analytiske metoder går videre, hvis kvaliteten af ​​de underliggende data er dårlig, en skarp skelnen kan ikke drages. Vi udførte processen med maskinlæring ved at bruge DNN, som behandlede big data hovedsageligt fra Osaka University Hospital Epilepsi Center. Vi vil gerne øge antallet og typer af sygdomme, der skal diagnosticeres uden at gå på kompromis med datakvaliteten, så vores teknik vil være nyttig i klinisk praksis, " siger forsker Jo Aoe fra Osaka University.