GenFAR: A generalized representation of brain structure, derived from 49,246 multi-cohort MRIs via deep learning
GenFAR ist ein modulares Deep-Learning-Framework, das unter Verwendung eines sequentiellen Ansatzes mit 49.246 Multi-Kohorten-Hirn-MRIs trainiert wurde, um eine generalisierte, klinisch informierte Repräsentation abzuleiten, welche die Stichprobeneffizienz und Genauigkeit nachgeschalteter Neuroimaging-Aufgaben signifikant verbessert.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, einem Roboter beizubringen, das menschliche Gehirn zu verstehen. Jahrelang haben Wissenschaftler „Spezialisten“-Roboter gebaut: einer, der hervorragend darin ist, einen Tumor zu entdecken, ein anderer, der gut darin ist, das Alter einer Person zu erraten, und ein dritter, der nur feststellen kann, ob jemand Bluthochdruck hat. Diese Spezialisten sind gut in ihrem einen Job, aber sie sind schrecklich darin, das zu teilen, was sie wissen. Wenn Sie einen neuen Roboter bauen wollen, um eine andere Krankheit vorherzusagen, müssen Sie von vorne beginnen, einen riesigen Berg an Daten sammeln und ihn völlig neu trainieren. Das ist langsam, teuer und oft unmöglich, wenn man nicht über Millionen von Gehirnscans verfügt.
Das Feld der medizinischen Bildgebung steckt derzeit in diesem „Spezialisten-Modus“ fest. In anderen Bereichen der künstlichen Intelligenz, wie etwa bei Sprache oder Fotos, haben Wissenschaftler jedoch begonnen, „Foundational Models“ zu entwickeln – riesige, universell einsetzbare Gehirne, die zuerst allgemeine Muster lernen, die dann für spezifische Aufgaben angepasst werden können. Die große Frage für die Gehirnforscher lautet: Können wir ein ähnliches allgemeines Gehirn für medizinische Scans bauen? Wenn uns das gelänge, könnten wir aus einer winzigen Menge neuer Daten lernen, da das Modell bereits die Grundlagen dessen versteht, wie Gehirne aussehen und sich verändern. Dies ist die Herausforderung, die das Paper angeht: die Schaffung eines einzigen, intelligenten Systems, das gleichzeitig von vielen verschiedenen gehirnbezogenen Aufgaben lernt, damit es Ärzten und Wissenschaftlern helfen kann, neue Probleme schneller und mit weniger Daten zu lösen.
Lernen Sie GenFAR kennen, eine neue Art von „Gehirn-Gehirn“, das wie ein supergeladener Bibliothekar für medizinische Bilder fungiert. Anstatt 17 verschiedene Spezialisten einzustellen, die 17 verschiedene Bücher lesen, bauten die Forscher eine massive, modulare Bibliothek, die alle gleichzeitig liest. Sie fütterten dieses System mit 49.246 Gehirn-MRT-Scans aus 11 verschiedenen Personengruppen und brachten es bei, alles vorherzusagen – von dem Alter und dem Bildungsstand einer Person bis hin zu der Frage, ob sie Diabetes, Bluthochdruck oder frühe Anzeichen von Alzheimer haben.
Die Forscher probierten zwei verschiedene Wege aus, um diese Bibliothek zu trainieren. Der erste war, als ließen 17 Studenten in getrennten Räumen lernen; sie lasen zwar dieselben Bücher, konnten aber nicht miteinander kommunizieren. Das funktionierte ganz ordentlich, war aber ineffizient. Die zweite Methode, die sich als der Gewinner herausstellte, war wie ein Staffellauf. In diesem „sequentiellen“ Ansatz lernten die Studenten in einer bestimmten Reihenfolge. Der erste Student lernte aus dem rohen Gehirnscan und gab seine Notizen an den zweiten Studenten weiter, der seine eigenen Erkenntnisse hinzufügte, und so weiter. Bis die Notizen den letzten Studenten erreichten, hatten sie eine massive, reichhaltige Zusammenfassung dessen erstellt, was das Gehirn alles preisgeben konnte.
Das Team fand heraus, dass die perfekte Größe für das Staffelteam sechs Studenten war. Wenn sie versuchten, mehr Studenten in die Reihe aufzunehmen, wurden die Notizen unordentlich und verwirrend (ein Problem, das als Overfitting bezeichnet wird), und die endgültige Zusammenfassung wurde weniger genau. Sie fanden auch heraus, welche Studenten die besten „Geber“ (Donors) von Wissen waren. Aufgaben wie die Vorhersage des Alters, Alzheimer/leichter kognitiver Beeinträchtigung, MMSE-Testergebnissen sowie Zustände wie Hypertonie und Hyperlipidämie waren die Superstars. Diese Aufgaben lieferten die nützlichsten Informationen für die anderen. Tatsächlich war das Lernen über das Alter einer Person so hilfreich, dass es die Leistung fast jeder anderen Aufgabe steigerte, die das Modell zu lösen versuchte.
Die Magie von GenFAR liegt nicht nur darin, dass es diese Dinge gelernt hat, sondern darin, wie gut es dieses Wissen auf neue Probleme anwenden kann, die es noch nie gesehen hat. Die Forscher testeten dies, indem sie eine Aufgabe (wie die Vorhersage des Rauchstatus) versteckten und beobachteten, ob das Modell, das nur auf den anderen Aufgaben trainiert wurde, diesen immer noch korrekt erraten konnte. Die Ergebnisse waren beeindruckend: Das sequentielle Modell war besser darin, diese versteckten Aufgaben zu erraten, als ein Modell, das direkt auf den Daten für diese spezifische Aufgabe trainiert wurde. Noch wichtiger war, dass das Modell unglaublich „probeneffizient“ war. Normalerweise benötigt Deep Learning tausende Beispiele, um einen neuen Trick zu lernen. GenFAR hingegen konnte neue Aufgaben mit nur 100 bis 500 Beispielen lernen, während ein Standardmodell mit so wenig Daten scheitern oder schlecht abschneiden würde.
Das Paper schließt die Idee explizit aus, dass längere Lernsequenzen immer besser sind; sie fanden heraus, dass ein Vorgehen über sechs Aufgaben hinaus die Leistung tatsächlich verschlechterte. Sie fanden auch heraus, dass nicht alle Aufgaben hilfreiche Geber sind; der Versuch, von Aufgaben wie „Total-Tau CSF“ (ein spezifischer Proteinmarker) oder „Rauchen“ zu lernen, machte das Modell tatsächlich schlechter, wahrscheinlich weil es nicht genug Daten gab oder die Gehirnsignale zu schwach waren, um nützlich zu sein. Die Autoren sind sich ihrer Ergebnisse sehr sicher, da sie 5.000 verschiedene Zufallssequenzen getestet haben, um zu beweisen, dass sechs der ideale Punkt ist und dass die Metrik „Donor Score“ präzise vorhersagt, welche Aufgaben helfen und welche schaden.
Am Ende haben die Forscher dieses Werkzeug nicht nur für sich behalten. Sie haben das Modell und den Code der Öffentlichkeit zugänglich gemacht, sodass jeder mit einem Gehirnscan diese leistungsstarken, generalisierten Merkmale extrahieren kann, ohne einen Supercomputer zu benötigen. Indem sie einen Haufen verstreuter, zweckgebundener Modelle in ein kohärentes, wissensvermittelndes System verwandelt haben, deutet GenFAR darauf an, dass die Zukunft der Bildgebung des Gehirns in Modellen liegt, die zuerst breit lernen, damit sie uns helfen können, die Geheimnisse des Gehirns mit viel weniger Daten zu verstehen, als wir jemals für möglich gehalten hätten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.