Populära Inlägg
AI -verktyg för att upptäcka kännetecken för Alzheimers sjukdom
Studien, publicerad i tidskriften Nature Communications, är ett bevis på konceptet för en maskininlärningsmetod för att skilja kritiska markörer för den neurodegenerativa sjukdomen.
Amyloidplack är klumpar av proteinfragment i hjärnan hos personer med Alzheimers sjukdom som förstör nervcellsanslutningar, säger forskare vid University of California, Davis i USA. (Foto av Thinkstock Images) Forskare har hittat ett sätt att lära en dator att exakt upptäcka ett av kännetecknen för Alzheimers sjukdom i mänsklig hjärnvävnad med artificiell intelligens (AI).
Studien, publicerad i tidskriften Naturkommunikation , är ett bevis på konceptet för ett maskininlärningssätt för att skilja kritiska markörer för den neurodegenerativa sjukdomen.
Amyloidplack är klumpar av proteinfragment i hjärnan hos personer med Alzheimers sjukdom som förstör nervcellsanslutningar, säger forskare vid University of California, Davis (UC Davis) i USA.
Ungefär som Facebook känner igen ansikten baserat på tagna bilder, kan maskininlärningsverktyget se om ett prov av hjärnvävnad har en typ av amyloidplack eller en annan, och gör det mycket snabbt.
Resultaten tyder på att maskininlärning kan öka expertisen och analysen hos en expert neuropatolog.
Verktyget låter dem analysera tusentals gånger mer data och ställa nya frågor som inte skulle vara möjliga med den begränsade databehandlingsförmågan hos även de mest utbildade mänskliga experterna.
Vi behöver fortfarande patologen, säger Brittany N Dugger, biträdande professor vid UC Davis, och huvudförfattare till studien.
Detta är ett verktyg, som ett tangentbord är för att skriva. Eftersom tangentbord har hjälpt till att skriva arbetsflöden kan digital patologi i kombination med maskininlärning hjälpa till med neuropatologiska arbetsflöden, sa Dugger.
Hon samarbetade med Michael J Keizer, en biträdande professor vid University of California, San Francisco (UCSF), för att avgöra om de kunde lära en dator att automatisera den mödosamma processen att identifiera och analysera små amyloidplattor av olika typer i stora skivor av obducerad människa Hjärnvävnad.
Keizer och hans team designade ett konvolutionellt neuralt nätverk (CNN), ett datorprogram utformat för att känna igen mönster baserat på tusentals människormärkta exempel.
Teamet utarbetade en metod som gjorde det möjligt att snabbt kommentera eller märka tiotusentals bilder från en samling en halv miljon närbilder av vävnad från 43 friska och sjuka hjärnprover.
Precis som en dateringstjänst som gör det möjligt för användare att svepa åt vänster eller höger för att märka någons foto hett eller inte, utvecklade de en webbplattform som gjorde det möjligt för Dugger att titta en-i-gång på högt inzoomade områden med potentiella plack och snabbt märka vad hon såg där.
Detta digitala patologiverktyg - som forskare kallade blob eller inte - tillät Dugger att kommentera mer än 70 000 blobbar, eller plackkandidater, med en hastighet av cirka 2000 bilder per timme.
UCSF-teamet använde denna databas med tiotusentals märkta exempelbilder för att träna sin CNN-maskininlärningsalgoritm för att identifiera olika typer av hjärnförändringar som ses vid Alzheimers sjukdom.
bild på olika typer av fiskar
Det inkluderar att skilja mellan så kallade kärna och diffusa plack och identifiera avvikelser i blodkärl.
Forskarna visade att deras algoritm kunde bearbeta en hel helhjärnskiva med 98,7 procent noggrannhet, med hastigheten endast begränsad av antalet datorprocessorer de använde.