Modelul de bază generalizabil BrainIAC, detaliat în revista Nature Neuroscience, oferă o fundație puternică pe care să se dezvolte instrumente de învățare profundă bazate pe imagini, ce ar putea fi folosite într-un cadru clinic.
BrainIAC a fost capabil să învețe din date mari, nelabălate – care sunt mult mai disponibile decât seturile de date etichetate, specifice sarcinii – dar a putut utiliza și date de antrenament foarte limitate în mai multe medii clinice.
A depășit modelele de bază disponibile public în mai multe domenii, de la îmbătrânirea creierului până la supraviețuire și predicția subtipurilor de cancer.
”BrainIAC are potențialul de a accelera descoperirea biomarkerilor, de a îmbunătăți instrumentele de diagnostic și de a accelera adoptarea AI în practica clinică”, a declarat cercetătorul Benjamin Kann, MD, de la Mass General Brigham.
”Integrarea BrainIAC în protocoalele de imagistică ar putea ajuta clinicienii să personalizeze și să îmbunătățească mai bine îngrijirea pacienților.”
Natura multidimensională și heterogenă a datelor IRM cerebrale prezintă provocări unice pentru dezvoltarea modelelor analitice și predictive.
În încercarea de a îmbunătăți instrumentele actuale disponibile, Kann și echipa sa au creat BrainIAC – un model de bază conceput pentru a învăța reprezentări generalizate din datele de antrenament nelabălate.
Modelul de bază pentru IRM cerebrală generală și multiparametrică a fost dezvoltat folosind principiile învățării auto-supravegheate și evaluat pe 48.965 de scanări IRM cerebrale multiparametrice, acoperind mai multe setări demografice și clinice.
Apoi, abilitățile sale au fost comparate cu abordările tradiționale de învățare supervizată și învățarea transferată din rețelele medicale de imagistică pre-antrenate.
BrainIAC a depășit constant modelele tradiționale supervizate și învățarea transferată din modelele mai generale de imagistică biomedicală pe o gamă largă de aplicații pe scanările sănătoase și cele afectate de boli, cu ajustări minime.
A fost capabil să prezică mai precis deficiența cognitivă ușoară din imaginile IRM decât modelul pre-antrenat specific pentru imagistică medicală 3D, MedicalNet, precum și decât modelul de bază specific pentru segmentare BrainSegFounder și modelul de antrenament supervizat localizat Scratch.
Același lucru a fost valabil și în predicțiile vârstei creierului, care sunt asociate cu funcția neurocognitivă și ar putea fi folosite ca biomarker timpuriu al bolii Alzheimer.
BrainIAC a fost mai capabil să prezică subtipurile mutaționale ale tumorilor cerebrale, oferind informații mai precise care ar putea ajuta la gestionarea clinică acolo unde biopsia de țesut nu este posibilă. Același lucru a fost valabil și pentru segmentarea gliomului, care poate ajuta la evaluarea încărcăturii tumorale, planificarea tratamentului și monitorizarea bolii.
De asemenea, a avut o precizie superioară în prezicerea supraviețuirii după diagnosticul cu cancer de glioblastom multiform.
În plus, BrainIAC a depășit alte modele în predicția timpului de la debutul accidentului vascular cerebral, ceea ce poate ajuta clinicienii să optimizeze selecția tratamentului.
Sursa: [Nature Neuroscience – Articolul original](link)
Senior Editor RevistaSanatatii.ro. Pasionat de lifespan, fan David Sinclair.