Populære Innlegg
AI -verktøy for å oppdage kjennetegn ved Alzheimers sykdom
Studien, publisert i tidsskriftet Nature Communications, er et bevis på konseptet for en maskinlæringsmetode for å skille mellom kritiske markører for den nevrodegenerative sykdommen.
Amyloidplakk er klumper av proteinfragmenter i hjernen til mennesker med Alzheimers sykdom som ødelegger nervecelleforbindelser, sa forskere ved University of California, Davis i USA. (Foto av Thinkstock Images) Forskere har funnet en måte å lære en datamaskin på å nøyaktig oppdage et av kjennetegnene ved Alzheimers sykdom i menneskelig hjernevev ved hjelp av kunstig intelligens (AI).
Studien, publisert i tidsskriftet Naturkommunikasjon , er et bevis på konseptet for en maskinlæringsmetode for å skille mellom kritiske markører for den nevrodegenerative sykdommen.
Amyloidplakk er klumper av proteinfragmenter i hjernen til mennesker med Alzheimers sykdom som ødelegger nervecelleforbindelser, sa forskere ved University of California, Davis (UC Davis) i USA.
I likhet med måten Facebook gjenkjenner ansikter basert på fangede bilder, kan maskinlæringsverktøyet se om en prøve av hjernevev har en eller annen type amyloidplakk, og gjøre det veldig raskt.
Funnene antyder at maskinlæring kan øke ekspertisen og analysen til en ekspert nevropatolog.
Verktøyet lar dem analysere tusenvis av ganger mer data og stille nye spørsmål som ikke ville være mulig med den begrensede databehandlingsmuligheten til selv de mest utdannede menneskelige eksperter.
Vi trenger fortsatt patologen, sa Brittany N Dugger, assisterende professor ved UC Davis, og hovedforfatter av studien.
Dette er et verktøy, som et tastatur er for skriving. Ettersom tastaturer har hjulpet til med å skrive arbeidsflyter, kan digital patologi sammen med maskinlæring hjelpe til med nevropatologiske arbeidsflyter, sa Dugger.
Hun inngikk et samarbeid med Michael J Keizer, en assisterende professor ved University of California, San Francisco (UCSF), for å avgjøre om de kunne lære en datamaskin å automatisere den arbeidskrevende prosessen med å identifisere og analysere små amyloidplakk av forskjellige typer i store skiver av obducert menneske hjernevev.
Keizer og teamet hans designet et konvolusjonelt nevralnettverk (CNN), et dataprogram designet for å gjenkjenne mønstre basert på tusenvis av menneskermerkede eksempler.
Teamet utviklet en metode som tillot det å raskt kommentere eller merke titusenvis av bilder fra en samling en halv million nærbilder av vev fra 43 friske og syke hjerneprøver.
I likhet med en dateringstjeneste for brukere som lar brukerne sveipe til venstre eller høyre for å merke noens bilde varme eller ikke, utviklet de en nettplattform som tillot Dugger å se en-om-en på sterkt innzoomede områder av potensielle plaketter og raskt merke det hun så der.
Dette digitale patologiverktøyet - som forskere kalte blob eller ikke - tillot Dugger å kommentere mer enn 70 000 blobs, eller plakettkandidater, med en hastighet på omtrent 2000 bilder i timen.
UCSF-teamet brukte denne databasen med titusenvis av merkede eksempelbilder for å trene sin CNN maskinlæringsalgoritme for å identifisere forskjellige typer hjerneforandringer sett ved Alzheimers sykdom.
tre med 5 spisse blad
Det inkluderer å skille mellom såkalte kjerne- og diffuse plakk og identifisere abnormiteter i blodårene.
Forskerne viste at algoritmen deres kunne behandle et helt skive med helhjerne med 98,7 prosent nøyaktighet, med hastighet bare begrenset av antall datamaskinprosessorer de brukte.