Artificial-intelligence-Werkzeugs enorm skaliert Alzheimer-Forschung: Machine learning tool automatisiert Pathologen‘ Arbeit zu identifizieren, die Krankheit Marker

Artificial-intelligence-Werkzeugs enorm skaliert Alzheimer-Forschung: Machine learning tool automatisiert Pathologen' Arbeit zu identifizieren, die Krankheit Marker

Forscher an der UC Davis und UC San Francisco haben eine Möglichkeit gefunden, zu lehren, einen computer, um genau zu erkennen, eines der Kennzeichen der Alzheimer-Krankheit im menschlichen Gehirn-Gewebe, die Bereitstellung einer proof-of-concept für eine Maschine-learning-Ansatz zur Unterscheidung von kritischen Markierungen der Krankheit.

Amyloid-plaques sind Klumpen von protein-Bruchstücken im Gehirn von Menschen mit Alzheimer-Krankheit, zerstören Nervenzellen verbindungen. Ähnlich der Art, wie Facebook Gesichter erkennt, basierend auf den aufgenommenen Bildern, die machine-learning-tool entwickelt von einem team der Universität von Kalifornien Wissenschaftler „sehen“ können, wenn Sie eine Probe von Hirngewebe hat eine Art von amyloid-Plaques oder anderen, und tun es sehr schnell.

Die Ergebnisse, veröffentlicht Mai 15 in Nature Communicationslegen nahe, dass die Maschine lernen kann, ergänzen die expertise und die Analyse eines Experten Nervenarzt. Das tool ermöglicht es Ihnen, zu analysieren, die Tausende von mal mehr Daten und neue Fragen zu stellen, nicht möglich wäre, mit den beschränkten Daten-Verarbeitung-Fähigkeiten, die selbst die am besten ausgebildeten menschlichen Experten.

„Wir müssen noch der Pathologe,“ sagte Brittany N. Dugger, PhD, assistant professor in der UC Davis Abteilung für Pathologie und Labormedizin an der UC Davis und leitender Autor der Studie. „Dies ist ein Werkzeug, wie eine Tastatur ist zum schreiben. Als Tastaturen unterstützt haben schriftlich workflows, digitale Pathologie, gepaart mit machine-learning kann mit Hilfe der Neuropathologie workflows.“

In dieser Studie, die Sie zusammen mit Michael J. Keiser, PhD, assistant professor in der UCSF Institut für Neurodegenerative Erkrankungen und die Abteilung der Pharmazeutischen Chemie, um festzustellen, ob Sie unterrichten konnten, einen computer zu automatisieren, den mühsamen Prozess der Identifizierung und Analyse von winzigen amyloid-plaques der verschiedenen Arten, große Scheiben autopsied menschliche Gehirn Gewebe. Für diesen job, Keiser und sein team eine „convolutional neural network“ (CNN), ein computer-Programm entwickelt, um Muster erkennen, basierend auf Tausende von Menschen beschriftet Beispiele.

Um genügend Trainings-Beispiele zu unterrichten, dass die CNN-Algorithmus, wie Dugger analysiert Gehirn-Gewebe, das UCSF-team arbeitete mit Ihr zu entwickeln, eine Methode, die erlaubt Sie zu schnell kommentieren oder label-Zehntausende Bilder aus einer Sammlung, die eine halbe million close-up Bilder von Gewebe aus 43 gesunden und erkrankten Gehirn-Proben.

Wie ein computer-dating-service, der Benutzern erlaubt, streichen Sie nach Links oder rechts zu beschriften jemand das Foto „hot“ oder „nicht,“ Sie entwickelt eine web-Plattform, die erlaubt Dugger zu schauen, one-at-a-time zu stark gezoomt-in den Regionen der potenziellen plaques und schnell label, was Sie dort sah. Diese digitale Pathologie-tool — was die Forscher als „blob oder nicht“ — erlaubt Dugger zum kommentieren von mehr als 70.000 „blobs“ oder plaque-Kandidaten, mit einer rate von etwa 2000 Bilder pro Stunde.

Das UCSF-team verwendet diese Datenbank, die Zehntausende von beschrifteten Beispielbildern zu trainieren CNN machine-learning-Algorithmus zu identifizieren, die verschiedenen Arten von Gehirn-Veränderungen gesehen, die bei der Alzheimer-Krankheit. Das schließt die Unterscheidung zwischen dem so genannten entkernt und diffuse plaques und der Identifizierung von Anomalien in den Blutgefäßen. Die Forscher gezeigt, dass Ihr Algorithmus könnte der Prozess ein ganzes whole-brain-slice Schlitten mit 98.7% Genauigkeit, mit der Geschwindigkeit nur begrenzt durch die Anzahl der computer-Prozessoren, die Sie verwendet. (In der aktuellen Studie verwendet eine einzelne Grafik-Karte wie die, die von Hause Spieler.)

Das team wird dann durchgeführt rigorosen tests des computer-Identifikation-Fähigkeiten, um sicherzustellen, dass seine Analyse war es, die biologisch gültig.

„Es ist notorisch schwer zu wissen, was für eine Maschine-learning-Algorithmus ist eigentlich unter der Haube, aber wir öffnen die black-box, und bitten Sie Sie, um uns zu zeigen, warum es aus seiner Vorhersagen,“ Keiser erklärt.

Keiser betonte, dass der machine-learning-tool ist nicht besser bei der Identifizierung von plaques, als Dugger, der Nervenarzt, der trainiert den computer finden Sie in den ersten Platz.

„Aber es ist unermüdlich und skalierbar“, sagte er. „Es ist ein co-pilot, ein Multiplikator, erstreckt sich der Umfang dessen, was wir erreichen können, und lässt uns Fragen stellen, wir würden niemals versucht haben, manuell. Zum Beispiel können wir uns für seltene plaques in den ungewöhnlichsten Orten, das könnte uns wichtige Hinweise über den Verlauf der Krankheit.

Zur Förderung der Nutzung des Tools, haben die Forscher es geschafft und die Daten in der Studie öffentlich online verfügbar. Dies hat bereits generierte Interaktionen mit anderen Forschern die Auswertung der Daten und die algorithmen in Ihren eigenen Labors. In Zukunft hoffen die Forscher, dass solche algorithmen wird zu einem normalen Teil der Neuropathologie Forschung, ausgebildet, um den Wissenschaftlern helfen, zu analysieren, große Mengen von Daten, unermüdlich zu suchen, Muster zu entsperren neue Einblicke in die Ursachen und mögliche Behandlungen für die Krankheit.

„Wenn wir können, besser zu charakterisieren, was wir sehen, könnte dies weitere Einblicke in die Vielfalt der Demenz,“ Dugger sagte. „Es öffnet die Tür zu Präzision Medizin für Demenzerkrankungen.“

Sie fügte hinzu: „Diese Projekte sind phänomenal Beispiele der interdisziplinären translationalen Forschung; neuropathologists, ein Statistiker, ein Kliniker und Ingenieure, die zusammen kommen, bilden Sie einen Dialog und arbeiten zusammen, um ein problem zu lösen.“

Die Studie wurde gefördert durch ein NIH-P30 AG010129, Paul G. Allen Family Foundation Distinguished Investigator Award und dem China Scholarship Council.