Искусственный интеллект может значительно расширить исследования болезни Альцгеймера

Исследователи из Калифорнийского университета в Дэвисе и Калифорнийского университета в Сан-Франциско нашли способ научить компьютер точно обнаруживать один из признаков болезни Альцгеймера

Искусственный интеллект лечение Альцгеймера

Исследователи из Калифорнийского университета в Дэвисе и Калифорнийского университета в Сан-Франциско нашли способ научить компьютер точно обнаруживать один из признаков болезни Альцгеймера в тканях головного мозга человека, предоставляя доказательство концепции подхода машинного обучения, способного автоматизировать ключевой компонент болезни Альцгеймера.

Амилоидные бляшки представляют собой скопления фрагментов белка в мозге людей с болезнью Альцгеймера, которые разрушают соединения нервных клеток. Подобно тому, как Facebook распознает лица на основе захваченных изображений, инструмент машинного обучения, разработанный группой ученых из Калифорнийского университета, может «видеть», имеет ли образец мозговой ткани тот или иной тип амилоидной бляшки, и способен делать это очень быстро.

Особенности ИИ

Результаты, опубликованные в Nature Communications, предполагают, что машинное обучение может увеличить эффективность работы опытного невропатолога. Эта технология позволяет им анализировать в тысячи раз больше данных и задавать новые вопросы, которые были бы невозможны при ограниченных возможностях обработки данных даже самых высококвалифицированных специалистов-людей.

«Но нам все еще нужен человек», - сказала Бриттани Н. Даггер, доктор философии, доцент кафедры патологии и лабораторной медицины Калифорнийского университета в Дэвисе и ведущий автор исследования. «Это инструмент, как клавиатура. Поскольку клавиатура помогает в написании рабочих процессов, цифровая патология в сочетании с машинным обучением может помочь с нейропатологическими рабочими процессами ».

В этом исследовании Даггер и Майкл Дж. Кейзер, доктор философии, доцент Института нейродегенеративных заболеваний UCSF и кафедры фармацевтической химии, определяют, смогут ли они научить компьютер автоматизировать трудоемкий процесс выявления и анализа крошечных амилоидных бляшек. Для этой работы Кайзер и его команда разработали «сверточную нейронную сеть» (CNN), компьютерную программу, разработанную для распознавания паттернов, основанных на тысячах примеров, помеченных человеком.

Обучение ИИ

Чтобы создать достаточное количество обучающих примеров, чтобы научить алгоритм CNN тому, как Даггер анализирует ткани мозга, команда UCSF совместно с ней разработала метод, который позволил ей быстро аннотировать или маркировать десятки тысяч изображений из полумиллиона изображений ткани крупным планом из 43 образцов здорового и больного мозга.

Подобно компьютерной службе знакомств, которая позволяет пользователям проводить пальцем влево или вправо, чтобы пометить чью-то фотографию «понравившейся» или «нет», они разработали веб-платформу, которая позволяла устройству поочередно просматривать увеличенные области и быстро анализировать то, что там находится. Этот инструмент цифровой патологии, который исследователи назвали «шар или нет», позволял Даггеру комментировать более 70 000 «шаров» со скоростью около 2000 изображений в час.

Команда UCSF использовала эту базу данных из десятков тысяч маркированных примеров изображений, чтобы обучить свой алгоритм машинного обучения CNN, чтобы идентифицировать различные типы изменений мозга, наблюдаемых при болезни Альцгеймера. Это включает в себя различие между так называемыми сердечными и диффузными бляшками и выявление проблем в кровеносных сосудах.

Исследователи показали, что их алгоритм может обрабатывать слайд всего среза всего мозга с точностью 98,7%, причем скорость ограничивается только количеством используемых ими компьютерных процессоров. (В текущем исследовании они использовали одну видеокарту, подобную тем, которые используют домашние геймеры.) Затем команда провела тщательные проверки навыков идентификации компьютера, чтобы убедиться, что его анализ биологически обоснованны.

«Общеизвестно, что трудно понять, что на самом деле делает алгоритм машинного обучения, но мы можем открыть черный ящик и попросить его показать нам, почему он сделал именно такие прогнозы», - пояснил Кайзер. Кейзер подчеркнул, что инструмент машинного обучения не лучше распознает бляшки, чем Даггер, невропатолог, который обучил компьютер. «Синтез машины и человека очень полезен», - сказал он.

«Это второй пилот, который расширяет сферу наших возможностей и позволяет нам делать то, что мы никогда бы не попытались выполнить вручную. Например, мы можем искать бляшки в неожиданных местах, которые могут дать нам важные подсказки о течении болезни. Чтобы способствовать распространениюустройства, исследователи сделали его и данные исследования общедоступными в Интернете. Это уже привело к взаимодействию с другими исследователями, которые оценивали данные и алгоритмы в своих собственных лабораториях. В

будущем исследователи надеются, что такие алгоритмы станут стандартной частью исследований в области невропатологии, обученных помогать ученым анализировать огромные объемы данных, неустанно выискивая паттерны, которые могли бы открыть новое понимание причин и потенциальных способов лечения этой болезни. «Если мы сможем лучше охарактеризовать то, что мы видим, это может дать дополнительное понимание разнообразия деменции», - сказал Даггер.

«Это естественно поможет делать более точные диагнозы». Она добавила: «Эти проекты являются феноменальными примерами междисциплинарной переводческой науки; невропатологи, статистик, клиницист и инженеры объединяются, формируя диалог и работая вместе, чтобы решить проблему».



Автор статьи: Виктор Булавин