KTU mokslininkai patobulino algoritmą, aptinkantį Alzheimerio ligą iš magnetinio rezonanso tomografijos tyrimo nuotraukų. Buvo pasiektas daugiau nei 98 procentų tikslumas nustatant ligą iš platesnio nei ankstesniame tyrime duomenų rinkinio, taikant kitą dirbtinio intelekto metodą. Naujasis modelis jau artėja praktinio pritaikymo link.
Kauno technologijos universiteto (KTU) mokslininkai patobulino algoritmą, aptinkantį Alzheimerio ligą iš magnetinio rezonanso tomografijos tyrimo (MRT) nuotraukų. Buvo pasiektas daugiau nei 98 procentų tikslumas nustatant ligą iš platesnio nei ankstesniame tyrime duomenų rinkinio, taikant kitą dirbtinio intelekto metodą. Naujasis modelis jau artėja praktinio pritaikymo link, rašoma KTU pranešime žiniasklaidai.
Asociatyvi „Pixabay“ nuotr.
Remiantis Lietuvos Higienos instituto duomenimis, Lietuvoje demencijos diagnozę turi 28 tūkst. asmenų, tačiau manoma, kad jų skaičius turėtų siekti apie 49 tūkst. Numatoma, kad šis skaičius iki 2050 m. išaugs iki 78 tūkst. Pasaulio Sveikatos Organizacijos duomenys rodo, kad Alzheimerio liga yra pagrindinė demencijos priežastis.
Pacientai, sergantys Alzheimerio liga, dažnai praranda atmintį ir patiria pažinimo funkcijų sutrikimus dėl smegenų nervų ląstelių pažeidimų. Aptikti Alzheimerio ankstyvoje stadijoje ypač sudėtinga, mat šios ligos diagnozavimo procesas yra ganėtinai ilgas ir komplikuotas. Jei simptomai jau juntami – galima atlikti psichologinį įvertinimą, patikrinti atmintį ir įvertinti problemų sprendimo įgūdžius. Tačiau jei simptomai sunkiai užčiuopiami, testai ligai diagnozuoti nėra tinkamas metodas. Todėl pacientams esantiems rizikos grupėje galima atlikti įvairius smegenų skenavimus, įskaitant funkcinį MRT.
Siekdami palengvinti Alzheimerio ligos diagnozavimo procesą, KTU mokslininkai sukūrė mašininio mokymosi metodą, leidžiantį aptikti ankstyvuosius Alzheimerio požymius iš fMRT nuotraukų. Lyginant su anksčiau tos pačios mokslo grupės atliktu tyrimu, buvo modifikuotas algoritmas ir pritaikytas platesnės konfigūracijos neuroninis tinklas, norint pasiekti universalesnius, plačiau apimančius rezultatus.
Naujasis metodas yra tikslesnis
Naujausi tyrimai rodo, kad iš anksto apmokyti konvoliuciniai neuroniniai tinklai gali tiksliai diagnozuoti įvairias ligas analizuojant medicininius vaizdus. Rytis Maskeliūnas, KTU Multimedijos inžinerijos katedros mokslininkas, teigia, kad anksčiau atliktas tyrimas buvo grįstas „ResNet18“ tinklo modifikavimu, tačiau metodas buvo jautrus duomenų kokybei, todėl šį kartą buvo pasirinkta analizuoti modifikuotą „DensNet201“ tinklo variantą, kuris pasižymi geresniu parametrų optimizavimu.
„Ankstesnis metodas buvo mažiau lankstus: kai mokome konvoliucinius neuroninius tinklus analizuoti tam tikrus duomenų rinkinius, pavyzdžiui MRT vaizdus, negalime kontroliuoti duomenų skirtumų (duomenys yra tokie kokie yra, mes jų nekeičiame), tad algoritmas „tikisi“ visą laiką gauti to paties stiliaus ir formato vaizdus. Tačiau realiame gyvenime pacientas gali lankytis skirtingose ligoninėse, kuriose naudojama skirtinga įranga MRT skenavimams atlikti, žmogus gali kitaip gulėti ant skaitytuvo lovos, todėl nuotraukos visuomet gausis šiek tiek kitokios“, – aiškina Maskeliūnas.
Naujajam tyrimui buvo išanalizuoti 125 tiriamųjų smegenų skenuoti vaizdai iš Alzheimerio ligos neurovaizdavimo iniciatyvos (ADNI) duomenų rinkinio. Vaizdai buvo išskirstyti pagal tai, kiek jie būdingi Alzheimerio liga sergantiems pacientams, turintiems lengvą pažinimo sutrikimą ir demenciją. Tyrime panaudotas duomenų rinkinys yra atviras. Be to, jis nuolat atnaujinamas naujausiais Alzheimerio ligos pacientų smegenų vaizdais, todėl rezultatai yra aktualūs.
„Naudodamas nuolat didėjantį ir vis kitokio turinio duomenų rinkinį, patobulintas algoritmas „mokosi“ atpažinti ligos simptomus įvairiuose vaizduose ir tampa mažiau jautrus konkrečiam duomenų šaltiniui ar formatui. Nors tai ir ne revoliucija, bet tikrai evoliucija“, – sako mokslininkas.
Žingsnis į priekį praktinio pritaikymo link
Be papildomo konvoliucinio neuroninio tinklo ir ADNI duomenų rinkinio naudojimo, tyrimas skiriasi nuo ankstesnių mokslinių darbų tuo, kad jame naudojamas kitoks svorio mechanizmas ir modifikuotas gradiento klasės aktyvinimo žemėlapis. Tai – žingsnis praktinio pritaikymo link, nes modelis netrukus galės ir pažymėti paveiktas smegenų sritis.
„Tikimės, kad netrukus galėsime pritaikyti šį tyrimą klinikinėje aplinkoje. Mūsų tikslas – sukurti modelį, kuris pastebėtų Alzheimerio simptomus smegenyse ir kompiuterio ekrane pažymėtų paveiktą vietą, kas padėtų medicinos specialistui-ekspertui ištirti vaizdą. Taip, įtraukdami naujus parametrus ir platesnius duomenų rinkinius, nuolat tobuliname šį modelį“, – sako R. Maskeliūnas.
Mokslininkas pastebi, kad ateityje į tyrimą būtų galima įtraukti dar daugiau dedamųjų, kurios pagreitintų diagnozavimo procesą.
„Ateityje planuojame naudoti biologinių žymeklių duomenis ir kitus medicininių vaizdų metodus, kad diagnozavimo efektyvumas ir pritaikomumas būtų dar didesnis“, – mini mokslininkas.
