Wetenschap
Figuur 1:Een nieuw diep neuraal netwerksysteem voor automatische diagnose van neurologische ziekten (MNet) wordt getoond in het linkerpaneel en het resultaat van de tripletclassificatie van epilepsie, ruggengraat letsel, en gezonde proefpersonen wordt weergegeven in het rechterpaneel. Conv:convolutionele laag; Fc:volledig verbonden laag; HS:gezonde proefpersonen; EP:patiënten met epilepsie; SCI:patiënten met dwarslaesie. Credit:Jo Aoe
Een team van onderzoekers van de Universiteit van Osaka en de Universiteit van Tokyo ontwikkelde MNet, een automatisch diagnosesysteem voor neurologische ziekten met behulp van magneto-encefalografie (MEG), het aantonen van de mogelijkheid om automatische diagnoses van neurologische aandoeningen te stellen met behulp van MEG. Hun onderzoeksresultaten zijn gepubliceerd in Wetenschappelijke rapporten .
MEG en elektro-encefalografie (EEG) zijn essentieel voor het diagnosticeren van neurologische aandoeningen zoals epilepsie. MEG zorgt voor de verwerving van gedetailleerde tijd-ruimtelijke patronen van menselijke hersenactiviteit door het meten van elektromagnetische velden geassocieerd met neurale activiteit, het extraheren van gedetailleerde tijdreekssignalen van 160 sensoren. Hoewel de informatie die uit deze tests wordt verkregen belangrijk is voor de diagnose, tijd en expertise zijn nodig voor het lezen en analyseren, en abnormale golfvormpatronen kunnen worden gemist.
diep neuraal netwerk (DNN), ook wel deep learning genoemd, is een subset van machine learning in kunstmatige intelligentie (AI) en heeft de afgelopen jaren de aandacht getrokken als middel voor het classificeren van gegevens op verschillende afbeeldingen, videos, en klinkt met een hoge nauwkeurigheid door middel van een machine learning-proces met behulp van big data.
Het AI-aangedreven automatische classificatiesysteem MNet, die DNN gebruikt als een computationeel raamwerk, is gebaseerd op een neuraal netwerk genaamd EnvNet (end-to-end convolutioneel neuraal netwerk voor classificatie van omgevingsgeluid) en kan worden getraind om kenmerken van neuroimaging-signalen die uniek zijn voor verschillende neurologische aandoeningen te extraheren en te leren uit een enorme hoeveelheid tijdreeks neuroimaging-gegevens.
Het team verwachtte dat het gebruik van DNN het systeem in staat zou stellen om de kenmerken van neurologische ziekten uit veel signalen te leren en patiënten met neurologische ziekten nauwkeuriger te classificeren dan conventionele methoden met behulp van golfvormen.
Met MNet, ze probeerden neuroimaging big data te classificeren van 140 patiënten met epilepsie, 26 patiënten met ruggenmergletsel, en 67 gezonde proefpersonen. Het getrainde MNet slaagde erin gezonde proefpersonen en die met de twee neurologische aandoeningen te classificeren met een nauwkeurigheid van meer dan 70 procent en patiënten met epilepsie en gezonde proefpersonen met een nauwkeurigheid van bijna 90 procent. De nauwkeurigheid van de classificatie was significant hoger dan die verkregen door een support vector machine (SVM), een conventionele algemene machinale leermethode op basis van golfvormen (relatieve bandvermogens van EEG-signaal). Vooruit gaan, deze techniek zal worden gebruikt voor de diagnose van verschillende neurologische ziekten, evaluatie van de ernst, prognose, en effectiviteit van de behandeling.
"Machine learning gaat voortdurend vooruit, waarbij steeds nieuwe technieken worden ontwikkeld. Echter, hoe ver de analytische methoden ook vorderen, als de kwaliteit van de onderliggende gegevens slecht is, een scherp onderscheid is niet te maken. We hebben het proces van machine learning uitgevoerd door gebruik te maken van DNN, die big data verwerkte, voornamelijk van het epilepsiecentrum van het Osaka University Hospital. We willen het aantal en de soorten ziekten die moeten worden gediagnosticeerd verhogen zonder de kwaliteit van de gegevens op te offeren, zodat onze techniek nuttig zal zijn in de klinische praktijk, ", zegt onderzoeker Jo Aoe van de Universiteit van Osaka.
Wetenschap © https://nl.scienceaq.com