KI-Tool zur Erkennung von Kennzeichen der Alzheimer-Krankheit
Die in der Zeitschrift Nature Communications veröffentlichte Studie ist ein Machbarkeitsnachweis für einen maschinellen Lernansatz zur Unterscheidung kritischer Marker der neurodegenerativen Erkrankung.
Amyloid-Plaques sind Klumpen von Proteinfragmenten im Gehirn von Menschen mit Alzheimer-Krankheit, die Nervenzellverbindungen zerstören, sagten Forscher der University of California, Davis in den USA. (Foto von Thinkstock Images) Forscher haben einen Weg gefunden, einem Computer beizubringen, mithilfe künstlicher Intelligenz (KI) eines der Kennzeichen der Alzheimer-Krankheit im menschlichen Gehirngewebe präzise zu erkennen.
Die Studie, veröffentlicht in der Zeitschrift Naturkommunikation , ist ein Machbarkeitsnachweis für einen maschinellen Lernansatz zur Unterscheidung kritischer Marker der neurodegenerativen Erkrankung.
Amyloid-Plaques sind Klumpen von Proteinfragmenten im Gehirn von Menschen mit Alzheimer-Krankheit, die Nervenzellverbindungen zerstören, sagten Forscher der University of California, Davis (UC Davis) in den USA.
Ähnlich wie Facebook Gesichter anhand von aufgenommenen Bildern erkennt, kann das Werkzeug für maschinelles Lernen sehr schnell erkennen, ob eine Probe von Hirngewebe die eine oder andere Art von Amyloid-Plaque aufweist.
Die Ergebnisse legen nahe, dass maschinelles Lernen das Fachwissen und die Analyse eines erfahrenen Neuropathologen erweitern kann.
Das Tool ermöglicht es ihnen, tausendmal mehr Daten zu analysieren und neue Fragen zu stellen, die mit den begrenzten Datenverarbeitungskapazitäten selbst der am besten ausgebildeten menschlichen Experten nicht möglich wären.
Wir brauchen immer noch den Pathologen, sagte Brittany N. Dugger, Assistenzprofessorin an der UC Davis und Hauptautorin der Studie.
Dies ist ein Werkzeug, wie eine Tastatur zum Schreiben. Da Tastaturen beim Schreiben von Arbeitsabläufen geholfen haben, kann digitale Pathologie gepaart mit maschinellem Lernen bei neuropathologischen Arbeitsabläufen helfen, sagte Dugger.
Sie arbeitete mit Michael J. Keiser, einem Assistenzprofessor an der University of California, San Francisco (UCSF), zusammen, um herauszufinden, ob sie einem Computer beibringen könnten, den mühsamen Prozess der Identifizierung und Analyse winziger Amyloid-Plaques verschiedener Art in großen Scheiben obduzierter Menschen zu automatisieren Gehirngewebe.
Keiser und sein Team entwarfen ein Convolutional Neural Network (CNN), ein Computerprogramm, das entwickelt wurde, um Muster anhand Tausender von Menschen beschrifteter Beispiele zu erkennen.
Das Team entwickelte eine Methode, die es ermöglichte, Zehntausende von Bildern aus einer Sammlung von einer halben Million Nahaufnahmen von Gewebe aus 43 gesunden und erkrankten Gehirnproben schnell zu kommentieren oder zu beschriften.
Wie bei einem Computer-Dating-Service, der es Benutzern ermöglicht, nach links oder rechts zu streichen, um das Foto einer Person heiß zu beschriften oder nicht, entwickelten sie eine Webplattform, die es Dugger ermöglichte, sich einzeln stark vergrößerte Bereiche potenzieller Plaques anzusehen und schnell zu beschriften was sie dort gesehen hat.
Dieses digitale Pathologie-Tool – das Forscher Blob nannten oder nicht – ermöglichte es Dugger, mehr als 70.000 Blobs oder Plaque-Kandidaten mit einer Geschwindigkeit von etwa 2.000 Bildern pro Stunde zu kommentieren.
Das UCSF-Team nutzte diese Datenbank mit Zehntausenden von beschrifteten Beispielbildern, um seinen CNN-Algorithmus für maschinelles Lernen zu trainieren, um verschiedene Arten von Gehirnveränderungen zu identifizieren, die bei der Alzheimer-Krankheit auftreten.
grüne Pflanze mit orangefarbenen Blüten
Dazu gehört die Unterscheidung zwischen sogenannten entkernten und diffusen Plaques und das Erkennen von Anomalien in Blutgefäßen.
Die Forscher zeigten, dass ihr Algorithmus einen vollständigen Schnitt des gesamten Gehirns mit einer Genauigkeit von 98,7 Prozent verarbeiten kann, wobei die Geschwindigkeit nur durch die Anzahl der verwendeten Computerprozessoren begrenzt ist.