La macchina per l'apprendimento profondo utilizza le scansioni MRI per determinare la tua età cerebrale

Le capacità cognitive umane diminuiscono con l'età. E i neuroscienziati sanno da tempo che questo declino è correlato anche ai cambiamenti anatomici nel cervello. Quindi non sorprende sapere che è possibile individuare i segni dell'invecchiamento nelle immagini MRI del cervello e persino determinare un'età cerebrale. La differenza tra età cerebrale ed età cronologica può rivelare l'insorgenza di condizioni come la demenza.

Ma l'analisi è lunga perché i dati della risonanza magnetica devono essere elaborati pesantemente prima che siano adatti per l'invecchiamento automatizzato. Questa pre-elaborazione include la rimozione dall'immagine di tessuto non cerebrale come il cranio, la classificazione della sostanza bianca, della materia grigia e di altri tessuti e la rimozione degli artefatti dell'immagine insieme a varie tecniche di levigatura dei dati.

Tutta questa elaborazione dei dati può richiedere più di 24 ore e questo è un serio ostacolo per i medici che sperano di tenere conto dell'età cerebrale di un paziente quando effettuano una diagnosi clinica.

Oggi, tutto ciò cambia grazie al lavoro di Giovanni Montana al King's College di Londra e ad alcuni amici che hanno addestrato una macchina per il deep learning per misurare l'età cerebrale utilizzando i dati grezzi di uno scanner MRI. La tecnica di apprendimento profondo richiede pochi secondi e potrebbe fornire ai medici un'idea precisa dell'età cerebrale mentre il paziente è ancora nello scanner.

Il metodo è una tecnica standard di deep learning. Montana e co utilizzano scansioni cerebrali MRI di oltre 2.000 persone sane tra i 18 ei 90 anni. Nessuno aveva alcun tipo di condizione neurologica che potesse influenzare la loro età cerebrale. Quindi la loro età cerebrale dovrebbe corrispondere alla loro età cronologica.

Ogni scansione è una scansione MRI pesata T1 standard del tipo prodotto dalla maggior parte delle moderne macchine MRI. Ogni scansione è etichettata con l'età cronologica del paziente.

Il team ha utilizzato l'80 percento di queste immagini per addestrare una rete neurale convoluzionale per determinare l'età di una persona, data la scansione cerebrale. Hanno utilizzato altre 200 immagini per convalidare questo processo. Infine, hanno testato la rete neurale su 200 immagini che non aveva visto per determinare quanto bene potesse misurare l'età cerebrale.

Allo stesso tempo, il team ha confrontato l'approccio del deep learning con il metodo convenzionale per determinare l'età cerebrale. Ciò richiede un'ampia elaborazione delle immagini per identificare, tra le altre cose, la materia bianca e la materia grigia nel cervello, seguita da un'analisi statistica chiamata regressione del processo gaussiano.

I risultati costituiscono una lettura interessante. Sia il deep learning che la regressione del processo gaussiano determinano accuratamente l'età cronologica dei pazienti quando vengono forniti dati preelaborati da analizzare. Entrambi i metodi lo fanno con un errore inferiore a cinque anni in entrambi i casi.

Tuttavia, il deep learning mostra la sua netta superiorità quando si analizzano i dati grezzi della risonanza magnetica, dove si comporta altrettanto bene, fornendo l'età corretta con un errore medio di 4,66 anni. Al contrario, il metodo standard di regressione del processo gaussiano funziona male in questo test, fornendo un'età approssimativa con un errore medio di quasi 12 anni.

Inoltre, l'analisi di deep learning richiede solo pochi secondi rispetto alle 24 ore di pre-elaborazione richieste per il metodo standard. L'unica elaborazione dei dati richiesta per la macchina di deep learning è garantire la coerenza dell'orientamento dell'immagine e delle dimensioni dei voxel tra le immagini.

Ciò ha implicazioni significative per i medici. Data la corretta implementazione del software, i dati sull'età prevista dal cervello potrebbero essere resi disponibili a un medico mentre il paziente è ancora nello scanner, affermano Montana e co.

Il team ha anche confrontato le immagini scattate utilizzando scanner diversi solo per dimostrare che la tecnica può essere applicata a scansioni eseguite su macchine diverse in diverse parti del mondo. Confrontano anche l'età cerebrale dei gemelli per mostrare come l'età cerebrale sia collegata a fattori genetici. È interessante notare che la correlazione diminuisce con l'età, suggerendo che i fattori ambientali diventano più significativi con il passare del tempo e suggerendo una linea promettente di ricerca futura.

Questo è un risultato impressionante che ha il potenziale per influenzare in modo significativo il modo in cui i medici giungono a una diagnosi. Ci sono prove considerevoli che condizioni come diabete, schizofrenia e lesioni cerebrali traumatiche siano correlate con un invecchiamento cerebrale più rapido. Quindi un modo per misurare l'invecchiamento cerebrale in modo rapido e accurato potrebbe avere un impatto importante sul modo in cui i medici affronteranno queste condizioni in futuro. L'età prevista dal cervello rappresenta un fenotipo accurato, altamente affidabile e geneticamente valido che ha il potenziale per essere utilizzato come biomarcatore dell'invecchiamento cerebrale, affermano Montan e co.

Rif: arxiv.org/abs/1612.02572 : La previsione dell'età cerebrale con il deep learning da dati di imaging grezzi si traduce in un biomarcatore affidabile ed ereditabile

nascondere