Использование глубокого обучения для улучшения обнаружения маркеров нейродегенеративных заболеваний в изображении домашних животных

Введение: растущая потребность в раннем выявлении нейродегенеративных заболеваний

Нейродегенеративные заболевания, такие как болезнь Альцгеймера (AD) и болезнь Паркинсона (PD), поражают более 55 миллионов человек во всем мире, число, по прогнозам, удвоится к 2050 году по мере старения населения. Эти условия постепенно ухудшают когнитивные и двигательные функции, что приводит к разрушительным личным, социальным и экономическим нагрузкам. Раннее и точное обнаружение маркеров, специфичных для заболевания, имеет решающее значение для своевременного вмешательства, регистрации клинических испытаний и персонализированного планирования лечения.

Позитронно-эмиссионная томография (ПЭТ) появилась как краеугольный инструмент визуализации молекулярных и метаболических изменений в живом мозге. Используя радиотрекеры, которые связываются с патологическими белками, такими как бета-амилоид, тау или транспортеры дофамина, ПЭТ предоставляет функциональную информацию, дополняющую структурную визуализацию. Однако тонкость ранних стадий аномалий в сочетании с шумом изображения, эффектами частичного объема и вариабельностью между пациентами делает ручную интерпретацию сложной. Человеческие читатели часто не обнаруживают слабые или диффузные сигналы, которые предшествуют клиническим симптомам.

Глубокое обучение — подмножество искусственного интеллекта, основанного на многоуровневых нейронных сетях, — продемонстрировало замечательный успех в задачах, начиная от автономного вождения до обработки естественного языка. В медицинской визуализации методы глубокого обучения последовательно превосходят традиционное машинное обучение и основанные на правилах подходы для сегментации, классификации и обнаружения аномалий. В этой статье рассматривается, как глубокое обучение используется для улучшения обнаружения маркеров нейродегенеративных заболеваний на изображениях ПЭТ, технические подходы, лежащие в основе этих достижений, текущие клинические данные и путь вперед для интеграции этих инструментов в рутинную практику.

Глубокое обучение в медицинской визуализации: краткий фонд

Возрождение глубокого обучения началось с прорывной производительности сверточных нейронных сетей (CNN) в конкурсе ImageNet в 2012 году. С тех пор CNN успешно применяются к рентгенограммам грудной клетки, КТ, маммографии и изображениям сетчатки глазного дна. В ПЭТ-визуализации модели глубокого обучения обучаются на больших наборах данных помеченных сканов для изучения иерархических функций - от краев и текстур низкого уровня до моделей высокого уровня, указывающих на болезнь.

Ключевым преимуществом глубокого обучения является его способность работать непосредственно на исходных пиксельных данных, устраняя необходимость в ручной разработке функций. Современные архитектуры, такие как 3D CNN, U-Nets и генеративные состязательные сети (GAN), адаптированы к уникальным свойствам объемных и многопользовательских ПЭТ-данных. Кроме того, обучение передаче позволяет моделям, предварительно обученным на больших базах данных естественного изображения, быть точно настроенными на меньших медицинских наборах данных, уменьшая потребность в массивных аннотированных ПЭТ-коллекциях.

Глубокое обучение не заменяет врача, а расширяет его возможности. Автоматизированный анализ может выявить области, представляющие интерес, количественно оценить поглощение радиотрейсерами с высокой консистенцией и выявить тонкие отклонения, которые в противном случае могли бы быть упущены. Эта синергия между человеческим опытом и точностью машины особенно ценна при нейродегенеративных заболеваниях, где ранние маркеры могут быть чрезвычайно слабыми.

Уникальные проблемы в ПЭТ-визуализации для нейродегенерации

ПЭТ-визуализация создает несколько технических препятствий, которые необходимо преодолеть при глубоком обучении:

Методы глубокого обучения должны решать эти проблемы, чтобы обеспечить клинически надежные результаты.Такие методы, как увеличение данных, адаптация домена и генеративное моделирование, активно исследуются для смягчения этих проблем.

Основные подходы к глубокому обучению для анализа изображений ПЭТ

Свёрточные нейронные сети (CNN)

3D CNNs являются рабочей лошадкой для объемного ПЭТ-анализа. Применяя трехмерные фильтры, эти сети захватывают пространственные корреляции по всем осям. Исследователи использовали 3D CNNs для классификации болезни Альцгеймера по FDG-ПЭТ-сканированию с точностью более 90% и для дифференциации подтипов деменции, таких как фронтотемпоральная дегенерация. Такие варианты, как ResNet и DenseNet, предназначенные для обучения очень глубоких сетей, были адаптированы для 3D-входов, что позволяет извлекать высоко абстрактные функции.

Архитектура U-Net для сегментации

Точная сегментация областей мозга, таких как гиппокамп, прекунеус и полосатое тело, имеет важное значение для количественной оценки локального поглощения трассера. U-Nets, первоначально разработанный для сегментации биомедицинских изображений, преуспевает в производстве масок сегментации с использованием пикселей из небольших тренировочных наборов. В ПЭТ, U-Nets сегментные области, затронутые атрофией или аномальным метаболизмом, обеспечивают входы для последующей классификации или продольного анализа. Внимание-Gated U-Nets дополнительно улучшают производительность, фокусируясь на областях, связанных с заболеваниями, при подавлении фонового шума.

Генеративные состязательные сети (GAN) для деноизации и супер-решения

GAN состоят из генератора, который создает реалистичные изображения и дискриминатора, который пытается отличить реальные от синтетических сканирований. В ПЭТ-визуализации условные GAN (cGAN) используются для уменьшения шума без ущерба для пространственных деталей. Например, GAN может преобразовывать приобретение ПЭТ с низким счетом в высококачественное синтетическое изображение, которое соответствует полным дозам сканирования, что позволяет уменьшить радиационное воздействие или ускорить время сканирования. Аналогичным образом, GAN с супер-разрешением увеличивают эффективное разрешение ПЭТ, смягчая эффекты частичного объема и улучшая обнаружение небольших повреждений.

Графические нейронные сети для анализа подключений

Нейродегенеративные заболевания нарушают функциональную и структурную связь мозга. Графические нейронные сети (GNN) моделируют мозг как граф, где узлы представляют области и края представляют прочность связи (производные от ПЭТ или комплементарной МРТ). GNN могут классифицировать стадию заболевания путем изучения моделей деградации сети. Например, модели на основе графов, обученные на амилоидном ПЭТ, выявили раннюю сетевую уязвимость в доклинической болезни Альцгеймера, предлагая новое измерение за пределами стандартных измерений поглощения по регионам.

Механизмы внимания и трансформаторы

Механизмы внимания позволяют моделям динамически взвешивать важность различных областей изображения. Трансформаторы зрения (ViTs), которые применяют самовнимание в пластырях изображений, недавно достигли самых современных результатов по нескольким медицинским тестам визуализации. В ПЭТ трансформаторы могут захватывать пространственные зависимости на большие расстояния, такие как распространение тау-белка в связанных областях мозга, которые могут пропустить CNN. Гибридные архитектуры CNN-трансформеров обеспечивают баланс локальной и глобальной извлечения признаков.

Клинические применения в конкретных нейродегенеративных условиях

Болезнь Альцгеймера

Болезнь Альцгеймера характеризуется внеклеточными амилоидными бляшками и внутриклеточными тау-клубками. ПЭТ-трекеры, нацеленные на амилоид (например, [18F]флорбетапир, [18F]флютметамол) и тау (например, [18F]флортауципир) клинически одобрены. Модели глубокого обучения, обученные на больших многоцентровых наборах данных, таких как Инициатива нейровизуализации болезни Альцгеймера (ADNI), достигли более 95% чувствительности и специфичности для обнаружения амилоидной позитивности. Что более важно, эти модели могут предсказать прогрессирование от умеренных когнитивных нарушений (MCI) до деменции AD с коэффициентами опасности, превышающими 3.0, превосходя традиционные количественные показатели, такие как стандартизированные коэффициенты поглощения (SUVr).

Интерпретируемое глубокое обучение, такое как картирование сальности и Grad-CAM, показывает, что наиболее влиятельные области для классификации AD включают прекунеус, заднюю поясничную и медиальную височную доли — области, которые, как известно, затронуты на ранней стадии. Интеграция с МРТ (атрофия) и генетические данные дополнительно улучшает точность модели. По данным Ассоциации Альцгеймера , раннее выявление может снизить бремя болезни, позволяя вмешательства образа жизни и своевременный доступ к новым методам лечения.

Болезнь Паркинсона

Болезнь Паркинсона включает потерю дофаминергических нейронов в черной субстанции, что приводит к двигательным симптомам. ПЭТ-транспортер дофамина (DAT) с [18F]FP-CIT или [123I]FP-CIT SPECT (хотя SPECT более распространен) используется для дифференциации ПД от основного тремора или вызванного наркотиками паркинсонизма. Модели глубокого обучения для ПЭТ-ДАТ показали высокую точность в различении ранней ПД от здоровых органов управления - часто выше 90% AUC. Некоторые подходы сочетают ПЭТ-ДАТ с ФДГ-ПЭТ для захвата как дофаминергических, так и метаболических сигнатур, выявляя подтипы заболеваний с различными скоростями прогрессирования.

Растущей областью является использование глубокого обучения для прогнозирования конверсии из продромальных состояний (например, расстройства сна с быстрым движением глаз) в полное ПД. Продольные исследования ПЭТ, такие как Инициатива маркеров прогрессирования Паркинсона (PPMI), предоставляют богатые данные для обучения прогностическим моделям. набор данных с открытым доступом PPMI сыграл важную роль в продвижении глубокого обучения для обнаружения ПД.

Другие нейродегенеративные расстройства

Глубокое обучение также применяется к менее распространенным условиям:

Данные, аннотация и обобщение моделей

Успех глубокого обучения зависит от наличия высококачественных, хорошо аннотированных наборов данных. Для нейродегенеративной ПЭТ-визуализации основными государственными ресурсами являются:

Несмотря на эти ресурсы, дефицит данных остается узким местом, особенно для редких заболеваний и необычных трассеров. Руководство FDA по медицинским устройствам AI / ML подчеркивает необходимость в разнообразных данных обучения для обеспечения обобщенности в демографии и аппаратном обеспечении сканера. Для решения этой проблемы изучаются такие методы, как рандомизация доменов, адаптация к состязательным доменам и федеративное обучение (где модели обучаются в нескольких учреждениях без обмена сырыми данными).

Другая проблема заключается в отсутствии аннотированной истины. Ручная сегментация областей мозга или визуальная оценка позитивности амилоида занимает много времени и подвержена вариабельности между ратерами. Полуконтролируемые и самоконтролируемые методы обучения - где сети изучают полезные представления из немаркированных данных перед тонкой настройкой на небольшом наборе меток - являются многообещающими путями преодоления дефицита метки. Недавний обзор в Неврология природных обзоров подчеркивает эти стратегии как критические для клинического перевода глубокого обучения в нейродегенеративной визуализации.

Валидация, пути регулирования и клиническое усыновление

Прежде чем модели глубокого обучения могут быть развернуты в клинических условиях, они должны пройти строгую проверку. Ретроспективные исследования больших наборов данных с несколькими сканерами - предпочтительно с разных континентов и популяций пациентов - являются необходимым первым шагом. Перспективные клинические испытания, которые сравнивают производительность модели с золотым стандартом (например, гистопатология или продольное клиническое наблюдение) обеспечивают более убедительные доказательства. Например, алгоритм глубокого обучения для количественной оценки амилоида ПЭТ был недавно протестирован в многоцентровом исследовании с участием более 500 сканирований, достигнув области под кривой (AUC) 0,94-0,97 против показаний экспертов.

Регуляторное одобрение такими органами, как FDA или Европейское агентство по лекарственным средствам, требует демонстрации безопасности, эффективности и прозрачности. Несколько инструментов анализа изображений с помощью ИИ уже получили разрешение FDA, в основном для радиологии (например, маммография, рентген грудной клетки). Появляются инструменты, специфичные для ПЭТ; одним из заметных примеров является использование глубокого обучения для автоматического вычисления внедорожника для амилоидного ПЭТ, который получил маркировку CE в Европе. Развивающаяся нормативная база FDA для устройств ИИ / ЛП поощряет непрерывное обучение при сохранении безопасности.

Клиническое внедрение также требует интеграции с существующими рабочими процессами - системами архивирования изображений и связи (PACS), электронными медицинскими записями и программным обеспечением для отчетности. Выходы глубокого обучения должны быть представлены в формате, удобном для клиницистов, таком как наложение тепловой карты или оценка численной вероятности. Интеграция рабочих процессов и управление изменениями остаются нетривиальными препятствиями, но ранние данные из пилотных реализаций свидетельствуют о том, что радиологи и врачи ядерной медицины принимают помощь ИИ, когда она сокращает время чтения без ущерба для точности.

Будущие направления и новые тенденции

Мультимодальная фьюжн

Функциональная информация ПЭТ наиболее эффективна в сочетании со структурной МРТ (атрофия, диффузионная тензорная визуализация) и жидкими биомаркерами (CSF амилоид / тау, плазма p-тау217). Модели глубокого обучения, которые объединяют несколько модальностей - с использованием стратегий раннего, промежуточного или позднего слияния - превосходят модели с одной модальностью в прогнозировании когнитивного снижения. Мультимодальные сети на основе графа, которые представляют структуру мозга и функционируют как единый граф, являются активным рубежом исследований.

Продольное моделирование и прогрессирование заболеваний

Нейродегенеративные заболевания развиваются годами. Модели глубокого обучения, которые анализируют продольные ПЭТ-сканирования, могут обнаруживать изменения траектории — например, ускорение накопления тау — что означает надвигающееся клиническое снижение. Рекуррентные нейронные сети (RNN) и трансформаторы с временным вниманием могут моделировать последовательности сканирования, позволяя персонализировать прогнозы прогрессирования заболевания. Такие модели могут помочь стратифицировать пациентов для клинических испытаний и контролировать терапевтический ответ.

Объясняемый и надежный ИИ

Отсутствие интерпретируемости является основным препятствием для клинического принятия. Такие методы, как карты заметности, развертывание внимания и объяснения на основе концепции, позволяют клиницистам понять, почему модель сделала конкретный прогноз. Например, модель, которая классифицирует ПЭТ-сканирование как амилоид-позитивное, должна выделять корковые области, определяющие это решение. Построение доверия через прозрачность имеет важное значение для одобрения регулирующих органов и принятия пользователей.

Генеративные модели для увеличения и моделирования данных

GAN и вариационные аутокодеры (VAE) могут генерировать реалистичные синтетические ПЭТ-сканирование для увеличения данных, особенно для стадий редких заболеваний. Они также могут имитировать эффекты лекарственного лечения или прогрессирование с течением времени, обеспечивая песочницу для проверки гипотез. Возникающим рубежом является использование моделей диффузии, которые показали впечатляющие результаты в создании высококачественных медицинских изображений и могут быть использованы для обезвреживания ПЭТ и супер-разрешения.

Федеративное обучение и сохранение конфиденциальности AI

Данные о здоровье очень чувствительны. Федеративное обучение обучает глобальную модель, агрегируя обновления от местных моделей, которые никогда не покидают их учреждения - защита конфиденциальности пациентов при использовании различных наборов данных. Несколько федеративных рамок обучения были применены к нейровизуализации, демонстрируя сопоставимую производительность с централизованно обученными моделями. Этот подход может ускорить сотрудничество на нескольких сайтах без юридического и материально-технического бремени обмена данными.

Заключение

Глубокое обучение способно трансформировать обнаружение маркеров нейродегенеративных заболеваний в ПЭТ-визуализации. Автоматизируя сегментацию, количественную оценку и классификацию, эти модели могут повысить точность, сократить время чтения и, что наиболее важно, обеспечить более раннюю диагностику, когда вмешательства наиболее эффективны. Сочетание 3D-CNN, U-Nets, GAN и архитектур, основанных на внимании, уже дало впечатляющие результаты в исследовательских условиях, с AUC, превышающими 95% для амилоида и тау-детектирования.

Однако путь от исследований к обычному клиническому использованию требует преодоления дефицита данных, обеспечения обобщенности, достижения нормативного разрешения и создания интерпретируемых, надежных систем. Совместные усилия между клиницистами, учеными-данными, регуляторами и промышленностью имеют важное значение. Поскольку глубокое обучение продолжает созревать, его интеграция с мультимодальными данными, продольным моделированием и федеративным обучением обещает будущее, в котором биомаркеры на основе ПЭТ будут обнаруживаться раньше, более последовательно и более справедливо среди популяций.

Потенциальное влияние на уход за пациентами существенно: более раннее вступление в клинические испытания, персонализированные планы лечения и лучший мониторинг прогрессирования заболевания. При устойчивых инвестициях и строгой проверке глубокое обучение станет незаменимым инструментом в борьбе с нейродегенеративными заболеваниями.