الگوریتم مبتنی بر هوش مصنوعی برای تشخیص زودهنگام آلزایمر

الگوریتم مبتنی بر هوش مصنوعی برای تشخیص زودهنگام آلزایمر

الگوریتم یادگیری ماشین مراحل اولیه آلزایمر را از طریق تصویربرداری تشدید مغناطیسی عملکردی تشخیص می دهد

بیماری آلزایمر (AD) یک اختلال تخریب عصبی است که بخش قابل توجهی از جمعیت مسن در سراسر جهان را تحت تأثیر قرار می دهد. صدمات جبران ناپذیری به مغز وارد می کند و کیفیت زندگی بیماران را به شدت مختل می کند. متأسفانه ، AD نمی تواند درمان شود ، اما تشخیص به موقع به شما امکان می دهد تا دارو علائم را کنترل کرده و روند پیشرفت بیماری را کند کند.

تصویربرداری تشدید مغناطیسی عملکردی (fMRI) یک روش تشخیصی غیرتهاجمی برای اختلالات مغزی است. این تغییرات جزئی در سطح اکسیژن خون در مغز را با گذشت زمان اندازه گیری می کند ، و به فعالیت محلی نورون ها می پردازد. علیرغم مزایای آن ، از fMRI به طور گسترده ای در تشخیص بالینی استفاده نشده است. دلیل آن دو برابر است. اولاً ، تغییرات در سیگنال های fMRI به قدری ناچیز است که بیش از حد در معرض سر و صدا قرار دارند ، که می تواند نتایج را از بین ببرد. دوم ، تجزیه و تحلیل داده های fMRI پیچیده است. اینجاست که الگوریتم های یادگیری عمیق وارد تصویر می شوند.

در مطالعه اخیر منتشر شده در مجله پزشکی تصویربرداری ، دانشمندان دانشگاه تکزاس تک از الگوریتم های یادگیری ماشین برای طبقه بندی داده های fMRI استفاده کردند. آنها نوعی الگوریتم یادگیری عمیق موسوم به شبکه عصبی کانولوشن (CNN) را ایجاد کردند که می تواند بین سیگنال های fMRI افراد سالم ، افراد با اختلال شناختی خفیف و افراد مبتلا به AD تفاوت قائل شود.

CNN می تواند به طور مستقل از داده های ورودی ویژگی هایی را که برای مشاهده کنندگان انسان پنهان است ، استخراج کند. آنها این ویژگیها را از طریق آموزش به دست می آورند ، که برای آنها مقدار زیادی داده از قبل طبقه بندی شده لازم است. CNN ها عمدتا برای طبقه بندی تصویر دو بعدی استفاده می شوند ، این بدان معنی است که داده های fMRI چهار بعدی (سه مکانی و یک زمانی) یک چالش دارند. داده های fMRI با اکثر طرح های موجود CNN سازگار نیستند.

برای غلبه بر این مشکل ، محققان معماری CNN را ایجاد کردند که می تواند داده های fMRI را با حداقل مراحل پیش پردازش به طور مناسب اداره کند. دو لایه اول شبکه بر استخراج ویژگی ها از داده ها صرفاً براساس تغییرات زمانی ، بدون در نظر گرفتن خصوصیات ساختاری سه بعدی تمرکز دارند. سپس ، سه لایه بعدی ویژگی های مکانی را در مقیاس های مختلف از ویژگی های زمانی که قبلا استخراج شده است ، استخراج می کنند. این مجموعه ای از ویژگی های مکانی - زمانی را به دست می دهد که لایه های نهایی برای طبقه بندی داده های ورودی fMRI از یک فرد سالم ، یکی با اختلال شناختی خفیف زودرس یا دیررس ، یا دیگری با AD استفاده می کنند.

این استراتژی مزایای بسیاری نسبت به تلاش های قبلی برای تلفیق یادگیری ماشین با fMRI برای تشخیص AD دارد. هارشیت پارمر ، دانشجوی دکترای دانشگاه تکزاس تک و نویسنده اصلی این تحقیق ، توضیح می دهد که مهمترین جنبه کار آنها در کیفیت معماری CNN آنها است. طراحی جدید ساده و در عین حال موثر برای مدیریت داده های پیچیده fMRI است که می تواند به عنوان ورودی به CNN بدون هیچ گونه دستکاری یا اصلاح قابل توجهی در ساختار داده تغذیه شود. به نوبه خود ، این منابع محاسباتی مورد نیاز را کاهش می دهد و به الگوریتم امکان پیش بینی سریعتر را می دهد.