Badanie: Sztuczna inteligencja może poprawić wykrywanie ADHD metodą MRI

14 stycznia 2020 r

Sztuczna inteligencja może znacznie poprawić dokładność modeli neuronowych za pomocą skanów mózgu MRI w celu wykrycia zespołu nadpobudliwości z deficytem uwagi (ADHD), według badań opublikowanych niedawno w Radiologia: sztuczna inteligencja.¹

Badanie przeprowadzone przez naukowców z Ohio University of Cincinnati i Szpital Dziecięcy w Cincinnati, koncentruje się na nowej idei używania obrazowanie mózgu w celu wykrycia objawów ADHD u pacjentów. Obecnie nie ma jednego, ostatecznego testu na ADHD - diagnoza następuje po serii testów objawowych i behawioralnych.

Badania sugerują jednak, że ADHD potencjalnie może zostać wykryty przez badanie connectomu - mapy połączeń neuronowych mózgu zbudowanych przez warstwowe skany MRI mózgu, zwane parcelacjami. Niektóre badania sugerują, że przerwany lub przerwany connectome jest połączony z ADHD.

Większość dotychczasowych badań dotyczyła modelu „jednokanałowej głębokiej sieci neuronowej” (scDNN), w którym sztuczna inteligencja pomaga komputerowi konstruować łączniki w oparciu o jedną parcelację. W tym badaniu naukowcy opracowali „wielokanałowy model głębokiej sieci neuronowej” lub mcDNN, w którym konektory są konstruowane w oparciu o wiele parcelacji. Te wieloskalowe paczki pochodzą z zestawów danych mózgu 973 uczestników.

Model został również zaprogramowany do analizy i wykrywania wzorców w wieloskalowych połączeniach w celu wykrycia ADHD i zidentyfikowania najbardziej przewidywalnych cech łączników mózgowych dla Diagnoza ADHD. Wyniki pokazały, że wydajność wykrywania ADHD „znacznie” poprawiła się wraz z modelem mcDNN w porównaniu z alternatywnym scDNN.

„Nasze wyniki podkreślają moc predykcyjną łącznika mózgowego”, powiedział starszy autor Lili powiedział do Radiological Society of North America². „Skonstruowany łącznik funkcjonalny mózgu, który obejmuje wiele skal, zapewnia dodatkowe informacje do przedstawiania sieci w całym mózgu.”

Badanie otwiera drzwi do obrazowania mózgu i głębokich sieci neuronowych lub głębokiego uczenia się, aby pomóc w wykrywaniu innych warunków. „Ten model można uogólnić na inne niedobory neurologiczne”, powiedział, zauważając, że ten model mcDNN jest już stosowany do przewidywania niedoboru poznawczego u wcześniaków, na przykład do przewidywania wyników neurorozwojowych w wieku dwa.

Źródła

¹ Chen, M., Li, H., Wang, J., Dillman, J. R., Parikh, N. A., i He, L. (2019). Wielokanałowy model głębokiej sieci neuronowej analizujący wieloskalowe funkcjonalne dane łącznika mózgu do wykrywania zaburzeń nadpobudliwości psychoruchowej z deficytem uwagi. Radiologia: sztuczna inteligencja, 2 (1), e190012. https://doi.org/10.1148/ryai.2019190012

² Sztuczna inteligencja zwiększa wykrywanie ADHD w MRI. (2019, 11 grudnia). Pobrano 2020, 13 stycznia z https://www.rsna.org/en/news/2019/November-December/AI-MRI-For-ADHD

Zaktualizowano 14 stycznia 2020 r