Instrumentul AI care Ar Putea Revoluționa Analiza Imaginilor Cerebrale

Un instrument de inteligență artificială (AI) are potențialul de a revoluționa modul în care sunt analizate imaginile de rezonanță magnetică cerebrală (RMN), transformând îngrijirea neurologică prin aplicarea precisă a informațiilor extrase din imagini nesemnalizate în diverse sarcini clinice.

Modelul fundamentat BrainIAC, descris în revista Nature Neuroscience, oferă o bază solidă pentru dezvoltarea unor instrumente de învățare profundă bazate pe imagistică, care ar putea fi utilizate în mediul clinic.

BrainIAC a reușit să învețe dintr-o cantitate mare de date nesemnalizate, care sunt mult mai accesibile decât seturile de date anotate și specifice sarcinilor, dar a utilizat și un volum limitat de date de instruire în mai multe contexte clinice.

Acesta a depășit modelele de bază disponibile public în mai multe domenii, de la îmbătrânirea creierului la predicția supraviețuirii și subtipurilor de cancer.

„BrainIAC are potențialul de a accelera descoperirea biomarkerilor, de a îmbunătăți instrumentele de diagnostic și de a grăbi adoptarea AI în practica clinică”, a declarat cercetătorul Benjamin Kann, MD, de la Mass General Brigham.

„Integrarea BrainIAC în protocoalele de imagistică ar putea ajuta clinicienii să personalizeze și să îmbunătățească îngrijirea pacienților.”

Natura înalt dimensională și eterogenă a datelor RMN cerebrale prezintă provocări unice pentru dezvoltarea modelelor analitice și predictive.

În încercarea de a îmbunătăți instrumentele curente disponibile, Kann și echipa sa au creat BrainIAC – un model de bază conceput să învețe reprezentări generalizate din date de instruire nesemnalizate.

Modelul fundamental pentru RMN cerebral multiparametric a fost dezvoltat folosind principiile învățării auto-supravegheate și evaluat pe 48,965 de scanări RMN cerebrale multiparametrice, acoperind diverse setări demografice și clinice.

Capacitățile sale au fost comparate apoi cu abordările tradiționale de învățare supravegheată și învățarea transferului din rețele medicale de imagistică preantrenate.

BrainIAC a depășit constant modelele tradiționale supravegheate și învățarea transferului din modele biomedicale de imagistică mai generale, într-o gamă largă de aplicații pe scanări sănătoase și cu conținut de boală, cu ajustări minime.

A putut să prezică cu mai mare acuratețe deteriorarea cognitivă ușoară din imagini RMN decât modelul preantrenat specific pentru imagistica medicală 3D, MedicalNet, precum și modelul de bază specific pentru segmentare, BrainSegFounder și modelul de instruire supravegheat localizat, Scratch.

Aceeași acuratețe superioară a fost observată în predicțiile vârstei creierului, asociate cu funcția neurocognitivă și care ar putea fi utilizate ca un biomarker timpuriu al bolii Alzheimer.

BrainIAC a fost mai eficient și în predicția subtipurilor mutaționale ale tumorilor cerebrale, oferind informații mai precise care ar putea ajuta la gestionarea clinică a acestora acolo unde biopsia țesutului nu este posibilă. Același lucru este valabil și pentru segmentarea gliomului, care poate ajuta la evaluarea sarcinii tumorale, planificarea tratamentului și monitorizarea bolii.

De asemenea, a avut o acuratețe superioară în predicția supraviețuirii după diagnosticul cu cancer glioblastom multiform.

În plus, BrainIAC a depășit alte modele în predicția timpului de la debutul accidentului vascular cerebral, ceea ce poate ajuta clinicienii să optimizeze selecția tratamentelor.

Sursa: Inside Precision Medicine