С возрастом когнитивные способности человека снижаются. Нейробиологам давно известно, что это снижение коррелирует с физическими изменениями в головном . Увидеть первые признаки старения или даже определить возраст можно с помощью МРТ, а разница между возрастом и хронологическим возрастом человека помогает выявить нейродегенеративные заболевания на начальных стадиях.
Такой анализ зачастую является очень долгим, поскольку данные МРТ нужно детально обработать, прежде чем запустить автоматизированные процессы распознавания старения: удалить с изображения кости черепа, разделить серое и белое вещество и другие ткани, а также удалить артефакты изображения, включая различные способы сглаживания изображения. Вся обработка может занять более 24 часов, и это препятствие для врачей, надеющихся принимать во внимание возраст головного пациента в процессе клинической диагностики. Ученые из Королевского колледжа в Лондоне нашли способ ускорить этот процесс.
Джованни Монтана и его команда натренировали сверточную нейронную сеть (CNN) для измерения возраста с использованием исходных данных из сканера МРТ. Методика глубинного обучения занимает всего несколько секунд и может дать врачам точное представление о возрасте , пока пациент находится в сканере.
Метод является стандартной техникой глубинного обучения. Монтана и его команда использовали томограммы более 2000 здоровых людей в возрасте от 18 до 90 лет. Ни у кого из них не было выявлено неврологических заболеваний, которые могли бы повлиять на их . Поэтому возраст должен соответствовать возрасту участников эксперимента в паспорте.
Каждый скан представляет собой Т-1 взвешенное изображение. На таком изображении жидкости в головном проявляются более темным цветом, белое вещество светлым, серое вещество – серым, жир – ярким цветом. Такое сканирование обычно проводят для исследований грудной клетки, опорно-двигательного аппарата, брюшной полости и головного .
Пример нейровизуализации входных данных для использования в моделях прогнозирования возраста. А — серое вещество в осевой проекции, В — белое вещество в осевой проекции, С — «сырые» или минимально обработанные Т1-взвешенные изображения.
На каждом снимке ученые отметили хронологический возраст пациента. Команда использовала 80% изображения для обучения сверточной нейронной сети, чтобы определить возраст человека, учитывая скан их . Еще 200 изображений ушло на проверку работоспособности сети. Наконец, они испытали нейронную сеть на 200 изображениях, которые она еще не видела, чтобы определить, насколько хорошо она справляется с определением возраста .
В то же время, команда сравнила результаты глубинного подхода с традиционным способом определения возраста . Он требует значительной обработки изображения для идентификации, в том числе белого и серого вещества в с последующим статистическим анализом – регрессии на основе гауссовских процессов.
Результаты оказались довольно интересными. И глубинное обучение, и статистический анализ точно определяют хронологический возраст пациентов при введении данных для анализа в препроцессированной форме. Оба метода так или иначе работают с погрешностью менее 5 лет при определении точного возраста головного .
Точность CNN и регрессии на основе гауссовских процессов при анализе 200 изображений. Хронологический возраст (ось Х), предполагаемый возраст (ось Y). А — результаты CNN, B — результаты регрессии на основе гауссовских процессов, С — результаты CNN при анализе необработанных Т1-взвешенных изображений. r — коэффициент корреляции возраста и хронологического возраста со всех графиков.
Тем не менее, глубинное изучение демонстрирует свое явное превосходство при анализе исходных данных МРТ, где сеть определяет правильный возраст со средней погрешностью 4,66 лет. В отличие от CNN, стандартный метод регрессии на основе гауссовских процессов хуже справился с задачей: средняя погрешность составила почти 12 лет.
Более того, глубинное обучение занимает всего несколько секунд по сравнению с 24 часами предварительной обработки, необходимой для стандартного метода. Единственная обработка данных, необходимая для сверточной нейронной сети, должна определить последовательность ориентации изображения и размеры воксела между ними. Для врачей это важно: после внедрения соответствующего программного обеспечения, данные о возрасте пациента можно получить, когда тот еще находится в сканере.
Команда также сравнила изображения, полученные с использованием различных сканеров, чтобы показать, что метод можно применить для сканов, собранных с разных машин в разных частях мира. Помимо этого они сравнили возраст 62 женщин-близнецов, чтобы показать, как возраст связан с генетическими факторами. В ходе этого исследования ученые выявили высокую наследуемость уровня старения , которая с возрастом неминуемо снижается. Считается, что экологические факторы становятся более значимыми с течением времени, и здесь ученые наметили перспективное направление будущих исследований.
Результат работы Монтаны и его команды обладает потенциалом повлиять на то, как врачи определяют верный диагноз. Есть немало свидетельств, что такие заболевания, как диабет, шизофрения и травматические повреждения головного коррелируют с более быстрым его старением. Таким образом, быстрое и точное измерение старения может значительно повлиять на то, как врачи в будущем будут справляться с этими заболеваниями.
Научная работа опубликована на arXiv.org (Arxiv: 1612,02572 [stat.ML])
Автор: krasandm
