Μπορεί ένας αλγόριθμος να γνωρίζει την πραγματική ηλικία του μυαλού μας; Η νέα τεχνολογία που επιτρέπει στην AI να «διαβάζει» τον εγκέφαλο ανοίγει νέους δρόμους στην προληπτική ιατρική, προσφέροντας έγκαιρη πρόγνωση για την άνοια και άλλες σοβαρές παθήσεις, χρόνια πριν την εμφάνιση των πρώτων συμπτωμάτων.
Ηλικία εγκεφάλου vs χρονολογική Ηλικία: Το νέο εργαλείο της AI
Η διαφορά ανάμεσα στα χρόνια που αναγράφει η ταυτότητά μας και στη βιολογική κατάσταση του εγκεφάλου μας αποτελεί το «κλειδί» για τη μελλοντική μας υγεία. Μέσω της ανάλυσης χιλιάδων δεδομένων από απεικονιστικές εξετάσεις, η Τεχνητή Νοημοσύνη εντοπίζει μικροσκοπικές φθορές που διαφεύγουν από το ανθρώπινο μάτι, μετατρέποντας τη διάγνωση σε μια εξατομικευμένη πρόβλεψη κινδύνου.
Ένα νέο εργαλείο τεχνητής νοημοσύνης (AI) μπορεί να προβλέψει την ηλικία του εγκεφάλου, την επιβίωση από καρκίνο και άλλα σημάδια νόσων, αναλύοντας μη επισημασμένες μαγνητικές τομογραφίες εγκεφάλου (MRI).
Ερευνητές του Mass General Brigham ανέπτυξαν ένα ισχυρό, καινοτόμο μοντέλο τεχνητής νοημοσύνης βάσης, ικανό να αναλύει δεδομένα εγκεφαλικών μαγνητικών τομογραφιών και να εκτελεί πληθώρα ιατρικών εργασιών. Ανάμεσά τους περιλαμβάνονται ο προσδιορισμός της «ηλικίας» του εγκεφάλου, η πρόβλεψη του κινδύνου άνοιας, η ανίχνευση μεταλλάξεων σε όγκους του εγκεφάλου και η πρόβλεψη της επιβίωσης σε καρκίνο του εγκεφάλου.
Το εργαλείο, με την ονομασία BrainIAC, ξεπέρασε σε απόδοση άλλα μοντέλα τεχνητής νοημοσύνης που είχαν σχεδιαστεί για πιο εξειδικευμένες εργασίες, ενώ αποδείχθηκε ιδιαίτερα αποτελεσματικό ακόμη και όταν τα διαθέσιμα δεδομένα εκπαίδευσης ήταν περιορισμένα.
Τα αποτελέσματα της έρευνας δημοσιεύθηκαν στο επιστημονικό περιοδικό Nature Neuroscience.
Το BrainIAC έχει τη δυνατότητα να επιταχύνει την ανακάλυψη βιοδεικτών, να ενισχύσει τα διαγνωστικά εργαλεία και να επιταχύνει την ενσωμάτωση της τεχνητής νοημοσύνης στην κλινική πρακτική, δηλώνουν οι ερευνητές.
Η ενσωμάτωσή του στα πρωτόκολλα απεικόνισης θα μπορούσε να βοηθήσει τους κλινικούς γιατρούς να εξατομικεύσουν και να βελτιώσουν τη φροντίδα των ασθενών, προσθέτουν.
Παρά τις πρόσφατες εξελίξεις στην ιατρική τεχνητή νοημοσύνη, υπάρχει έλλειψη δημόσια διαθέσιμων μοντέλων που να εστιάζουν στη συνολική ανάλυση εγκεφαλικών μαγνητικών τομογραφιών.
Τα περισσότερα συμβατικά συστήματα εκτελούν συγκεκριμένες εργασίες και απαιτούν εκτενή εκπαίδευση με μεγάλα, επισημασμένα σύνολα δεδομένων, τα οποία συχνά είναι δύσκολο να αποκτηθούν. Επιπλέον, οι εικόνες MRI από διαφορετικά ιδρύματα παρουσιάζουν διαφοροποιήσεις, ανάλογα με τη χρήση τους (π.χ. νευρολογία ή ογκολογία), γεγονός που δυσκολεύει την εξαγωγή κοινών χαρακτηριστικών από τα μοντέλα AI.
Για να αντιμετωπιστούν αυτοί οι περιορισμοί, η ερευνητική ομάδα σχεδίασε έναν προσαρμοστικό «πυρήνα» εγκεφαλικής απεικόνισης και τον ονόμασε BrainIAC. Το εργαλείο αξιοποιεί μια μέθοδο που ονομάζεται αυτοεπιβλεπόμενη μάθηση, επιτρέποντάς του να αναγνωρίζει εγγενή χαρακτηριστικά από μη επισημασμένα δεδομένα, τα οποία μπορούν στη συνέχεια να προσαρμοστούν σε πολλαπλές εφαρμογές.
Αφού εκπαιδεύτηκε σε πολλά σύνολα δεδομένων εγκεφαλικών MRI, το BrainIAC αξιολογήθηκε σε 48.965 διαφορετικές εγκεφαλικές μαγνητικές τομογραφίες και σε επτά διακριτές κλινικές εφαρμογές ποικίλης πολυπλοκότητας.
Οι ερευνητές διαπίστωσαν ότι το μοντέλο μπορούσε να γενικεύει αποτελεσματικά τη γνώση του τόσο σε φυσιολογικές όσο και σε παθολογικές εικόνες, εφαρμόζοντάς την σε απλές εργασίες, όπως η ταξινόμηση τύπων MRI, αλλά και σε ιδιαίτερα απαιτητικές, όπως η ανίχνευση τύπων μεταλλάξεων σε όγκους εγκεφάλου.
Το BrainIAC ξεπέρασε επίσης τρία πιο συμβατικά, εξειδικευμένα μοντέλα τεχνητής νοημοσύνης σε αυτές και σε άλλες εφαρμογές. Οι συγγραφείς σημειώνουν ότι το εργαλείο παρουσίασε ιδιαίτερα καλή απόδοση σε περιπτώσεις όπου τα δεδομένα εκπαίδευσης ήταν περιορισμένα ή η πολυπλοκότητα της εργασίας υψηλή, γεγονός που υποδηλώνει ότι μπορεί να προσαρμοστεί αποτελεσματικά σε πραγματικές κλινικές συνθήκες.
Με πληροφορίες από Medicalxpress.
Απόδοση – Επιμέλεια: PsychologyNow.gr
Αριθμός Πιστοποίησης Μ.Η.Τ. 242811