СИНГАПУР – Использование машинного обучения с функциями МРТ-радиомики позволяет точно оценить старение мозга, согласно исследованию, представленному 6 мая на заседании Международного общества магнитного резонанса в медицине (ISMRM).
Докладчик Эрос Монтин, доктор медицинских наук из Медицинской школы Гроссмана Нью-Йоркского университета в Нью-Йорке, сообщил, что модель машинного обучения, использующая функции радиомики из T1- и T2-взвешенных МР-изображений, оценила возраст взрослых субъектов со средней абсолютной ошибкой 4,7 года. .
Результаты исследования могут улучшить понимание клиницистами изменений мозга, вызванных как здоровым старением, так и нейродегенерацией , отметил Монтин.
«Модель машинного обучения, способная точно оценить возраст мозга, может иметь большое клиническое значение», — сказал он.
Предыдущие исследования по прогнозированию возраста мозга с использованием структурной визуализации показали, что средние значения абсолютной ошибки составляют от пяти до семи лет, в то время как исследования, в которых сочетались данные структурной и функциональной визуализации, показали средние значения абсолютной ошибки менее четырех лет. Но функциональная визуализация, такая как функциональная или диффузионно-взвешенная МРТ, может быть не широко доступна, а точность прогнозирования достигается только при больших объемах данных (то есть более 23 000 случаев).
Вот тут-то и приходит на помощь радиомика МРТ. Отбор количественных характеристик МРТ-исследований «стал мощным инструментом для улучшения результатов лечения пациентов и продвижения точной медицины», — сказал Монтин.
«Радиомика извлекает особенности изображения из конкретных интересующих областей, а затем использует модели машинного обучения, чтобы связать особенности с клиническими результатами», — пояснил он. «По этой причине радиомика требует меньшего количества экземпляров по сравнению с другими моделями, обученными на полном изображении, что снижает степень свободы, которую модель должна изучить».
Монтин и его коллеги использовали данные проекта Human Connectome Project-Aging в исследовании, которое включало Т1- и Т2-взвешенные изображения мозга 716 здоровых взрослых; Эти данные были использованы для сбора 18 324 радиомикологических признаков из областей мозга, которые, как считается, сильно пострадали в ходе нормального старения: двустороннего гиппокампа, скорлупы и хвостатого ядра, а также для обучения модели машинного обучения регрессора стека (метод машинного обучения). который объединяет прогнозы нескольких оценщиков, сказал Монтин). Модель включала восемь регрессоров: Lasso, случайный лес, k-ближайшие соседи, повышение градиента, AdaBoost, HistGradientBoostingRegressor и MLPRegressor.
Прогностическая модель с использованием суммирующего регрессора была обучена только на 20 радиомических признаках, что «поддерживает нашу гипотезу о том, что этих трех основных подкорковых областей мозга достаточно, чтобы предоставить ключевую информацию для прогнозирования старения на основе машинного обучения», отметила команда Монтина, и оценила возраст мозга со средней абсолютной ошибкой 4,7 года.
«Наше исследование показывает, что радиомические характеристики можно использовать для прогнозирования возраста мозга у здоровых взрослых с эффективностью, сопоставимой с показателями моделей, обученных на значительно больших наборах данных, доступных в литературе», — сказал Монтин.
По словам Монтина, исследователи планируют продолжить это исследование на пациентах с мышечным склерозом, чтобы выяснить, показывает ли модель в сочетании с радиомикроными МРТ корреляцию между возрастом мозга и количеством поражений головного мозга.
Внимание, автоперевод! За ошибки перевода ответственности не несём. Первоисточник по ссылке.