Naukowcy z University of Toronto i Universidad de Las Américas Puebla opracowali zaawansowaną metodologię uczenia maszynowego w celu poprawy wykrywania choroby Parkinsona za pomocą technik obrazowania mózgu, które śledzą aktywność mózgu podczas odpoczynku. To badanie, prowadzone przez dr Gabriela Solany-Lavalle i współpracowników, stosuje algorytm przyczynowego uczenia maszynowego w lesie do analizy wzorców aktywności mózgu, oferując bardzo dokładną metodę identyfikacji choroby Parkinsona, jednocześnie ujawniając, że choroba najbardziej wpływa na obszary mózgu. Odkrycia zostały opublikowane w tomografii.
Dr Solana-Lavalle wraz z profesorem Michaelem Cusimano, dr Thomasem Steevesem, profesorem Roberto Rosas-Romero i dr Pascal Tyrrell opracowali model uczenia maszynowego, który przetwarza dane skanowania mózgu w celu dokładnego sklasyfikowania pacjentów z chorobą Parkinsona. „Nasza metoda koncentruje się na unikalnej kombinacji zmniejszenia niepotrzebnych danych, jednocześnie upewniając się, że nadal możemy jasno zrozumieć, na które obszary mózgu wpływają choroba Parkinsona”-wyjaśniła dr Solana-Lavalle.
Zespół badawczy przeanalizował dane z inicjatywy markerów progresji Parkinsona i dodatkowych danych kontrolnych z innej publicznej bazy danych, która zbiera skanowanie mózgu z różnych stron badawczych. Przetwarzali skany mózgu ponad dwieście osobników, stosując algorytmy wyboru Forasy i Opakowania w celu odfiltrowania hałasu i niepotrzebnych informacji oraz koncentrowania się na obszarach mózgu najsilniej związanych z chorobą Parkinsona, jednocześnie optymalizując wydajność klasyfikatora.
Aby zarządzać wariantami jakości i warunków akwizycji danych, zespół zastosował zaawansowane techniki przetwarzania danych, w tym wyrównanie obrazu i standaryzację. „To podejście oparte na danych zapewnia interpretacyjne wgląd w regiony mózgu silnie związane z chorobą Parkinsona, co może pomóc klinicystom lepiej zrozumieć postęp choroby i spersonalizować leczenie”-dodała dr Solana-Lavalle.
W badaniu zidentyfikowano określone regiony mózgu wykazujące znaczące zmiany u pacjentów z chorobą Parkinsona w porównaniu ze zdrowymi kontrolami. Algorytm lasu przyczynowego uszeregował te regiony według ich znaczenia, umożliwiając stosowanie narzędzi statystycznych do wizualizacji i interpretacji wzorców aktywacji, które rozróżniają chorobę Parkinsona i grupy niezainteresowane. Metoda była skuteczna w różnych podzbiorach populacji, wykazując silną dokładność zarówno mężczyzn, jak i kobiet.
Potencjał tego podejścia wykracza poza diagnozę, oferując wgląd w to, jak choroba Parkinsona wpływa na różne obszary mózgu. Metoda ta zidentyfikowała również korelację między aktywacjami w niektórych obszarach mózgu a odcinkiem motorycznym UPDRS, narzędziem oceny klinicznej, które mierzy różne funkcje motoryczne.
Te badania stanowią podstawę do przyszłych badań mających na celu poprawę modeli uczenia maszynowego dla innych chorób neurodegeneracyjnych. Podkreślając interpretację oprócz wydajności, metoda może pomóc klinicystom zdiagnozować chorobę Parkinsona skuteczniej i zrozumieć jej różnorodny wpływ u pacjentów.
Badanie stanowi znaczący postęp w stosowaniu uczenia maszynowego do obrazowania medycznego i wykrywania chorób neurodegeneracyjnych. Idąc naprzód, dr Solana-Lavalle i jego zespół planują rozszerzyć swoje podejście o długoterminowe badania, mając nadzieję, że z czasem śledzą postęp choroby Parkinsona.
Referencje dziennika
Solana-Lavalle, G., Cusimano, MD, Steeves, T., Rosas-Romero, R., i Tyrrell, PN (2024). „Analiza przyczynowego uczenia maszynowego leśnego choroby Parkinsona w funkcjonalnym rezonansie magnetycznym w stanie spoczynku”. Tomografia. Doi: https://doi.org/10.3390/tomography10060068
O autorach
Gabriel Solana-Lavalle Zdobył doktorat. W Smart Systems z Universidad de Las Américas, Puebla, México, w 2023 r. Jego zainteresowania badawcze obejmują przetwarzanie sygnału, analizę obrazowania medycznego, prognozowanie i uczenie maszynowe. W 2022 r. Był międzynarodowym absolwentem wizytu w Institute of Medical Science, University of Toronto. Obecnie współpracuje z partnerami branżowymi przy projektach mających na celu opracowanie i wdrażanie innowacyjnych technologii w zakresie przetwarzania sygnałów do obrazowania medycznego.
Pascal Tyrrellznakomity naukowiec z danych, jest dyrektorem ds. Nauk o danych i profesorem nadzwyczajnym na Wydziale obrazowania medycznego Uniwersytetu w Toronto. Założył Midata Data Science Program i organizował spotkania w Instytucie Nauk Medycznych i Departamencie Nauk Statystycznych. Jego badania wykorzystują innowacyjną sztuczną inteligencję do analizy obrazu medycznego w celu poprawy wyników zdrowotnych. Pascal jest także seryjnym przedsiębiorcą z doświadczeniem obejmującym oprogramowanie komputerowe, urządzenia medyczne i agri-tech.
Profesor Roberto Rosas-Romero Otrzymał stopień doktora inżynierii elektrycznej na University of Washington. Pełni pozycję profesora na Wydziale Elektrycznym i Inżynierii Komputerowej, Universidad de Las Américas-Puebla (México). Był profesorem wizytującym na Wydziale Radiologii Diagnostycznej na Uniwersytecie Yale. Był uczonym Fulbrighta, odpowiednio jako student na University of Washington i jako profesor wizytujący w Yale. Jego zainteresowania badawcze to przetwarzanie sygnałów, wizja komputerowa, rozpoznawanie wzorów, uczenie maszynowe i analiza obrazu medycznego. Jego badania zostały zastosowane do segmentacji obrazu ultradźwiękowego, wykrywanie pożaru lasu na podstawie sygnałów wideo, wykrywanie mikro-anuryzmów w obrazach oczu funduszy, aby pomóc w rozpoznaniu retinopatii cukrzycowej, przewidywanie napadów padaczkowych opartych na falach mózgu, wykrywanie głuchotliwości u noworodków, noworodków, Wykrywanie mikrokalcyfikacji na mammogramach, wykrywanie choroby Parkinsona poprzez analizę głosu, klasyfikacja magnetycznych Obrazy rezonansowe wspomagające diagnozę choroby Parkinsona, klasyfikację oparzeń skóry w kolorowych obrazach.
Michael D. Cusimano jest neurochirurgiem i profesorem neurochirurgii i nauk o zdrowiu publicznym na University of Toronto. Jako pierwszy formalnie wyszkolony chirurg bazy czaszki w Kanadzie, w 1993 r. Opracował obecnie globalnie przyjęte podwójne podejście endoskopowe. Jego zbiórka opublikowanych prac obejmuje trzy książki, w tym współautor podręcznika chirurgii bazowej czaszki i ponad 450 publikacji w Wszystkie pola neurochirurgii od nauki podstawowej po wyniki kliniczne. Oprócz tego, że jest jednym z najważniejszych i najbardziej poszukiwanych neurochirurgów w kraju, jest uznanym na całym świecie ekspertem w dziedzinie traumatycznego uszkodzenia mózgu, a jego praca pomogła przekształcić świadomość społeczną na temat wstrząsu mózgu i przyczynił się do zmian w politykach i polityce i Zasady na wszystkich poziomach sportu na całym świecie. Jego wysoce współpracująca praca podkreśla również znaczenie oceny jakości życia pacjenta i długie wykorzystanie najnowszej zaawansowanej analizy danych, szczególnie w stosowaniu pomiaru, sztucznej inteligencji i geografii w medycynie. Dr Cusimano założył biuro badań nad zapobieganiem obrażeniom St. Michael’s Hospital, był krajowym dyrektorem ds. Badań, a następnie wiceprezesem Think National National Prevention Foundation przez ponad dekadę, prowadził kanadyjski zespół CIHR w zakresie traumatycznego uszkodzenia mózgu i przemocy, IS IS, IS IS Doradca naukowy w wstrząsie mózgu dla Fundacji Trauma Brain oraz, członka Kanadyjskiej Akademii Nauk o zdrowiu, uznając jego wkład w operację i wpływ na politykę publiczną w kraju i na arenie międzynarodowej. Dzięki doktoratowi w dziedzinie edukacji promował rozwój modeli edukacji i oceny medycznej-chirurgicznej i był zaangażowany w edukację ogółu społeczeństwa oraz pokolenie lekarzy i neurochirurgów, którzy przyczyniają się do tej dziedziny. Jest szczerym zwolennikiem zdrowia mózgu i zapobiegania uszkodzeniom mózgu.
