GenFAR: A generalized representation of brain structure, derived from 49,246 multi-cohort MRIs via deep learning
GenFAR est un cadre d'apprentissage profond modulaire entraîné sur 49 246 IRM cérébrales multi-cohortes en utilisant une approche séquentielle pour dériver une représentation généralisée et cliniquement informée qui améliore de manière significative l'efficacité de l'échantillonnage et la précision des tâches de neuroimagerie en aval.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous essayiez d'apprendre à un robot à comprendre le cerveau humain. Pendant des années, les scientifiques ont construit des robots « spécialistes » : l'un qui est incroyable pour repérer une tumeur, un autre qui est excellent pour deviner l'âge d'une personne, et un troisième qui peut seulement dire si quelqu'un a de l'hypertension. Ces spécialistes sont bons dans leur tâche unique, mais ils sont terribles pour partager ce qu'ils savent. Si vous voulez construire un nouveau robot pour prédire une maladie différente, vous devez repartir de zéro, rassembler une pile massive de données et tout réentraîner à nouveau. C'est lent, coûteux et souvent impossible si vous ne disposez pas de millions de scanners cérébraux.
Le domaine de l'imagerie médicale est actuellement bloqué dans ce mode « spécialiste ». Cependant, dans d'autres domaines de l'intelligence artificielle, comme le langage ou les photos, les scientifiques ont commencé à construire des « modèles fondamentaux » — de gigantesques cerveaux à usage général qui apprennent d'abord des schémas larges, lesquels peuvent ensuite être ajustés pour des tâches spécifiques. La grande question pour les chercheurs en neurosciences est la suivante : pouvons-nous construire un cerveau général similaire pour les scanners médicaux ? Si nous pouvions, cela signifierait que nous pourrions apprendre à partir d'une infime quantité de nouvelles données car le modèle comprendrait déjà les bases de l'apparence et des changements du cerveau. C'est le défi que l'article aborde : créer un système unique et intelligent qui apprend de nombreuses tâches liées au cerveau en même temps, afin d'aider les médecins et les scientifiques à résoudre de nouveaux problèmes plus rapidement et avec moins de données.
Rencontrez GenFAR, un nouveau type de « cerveau de cerveau » qui agit comme un bibliothécaire survitaminé pour les images médicales. Au lieu d'embaucher 17 spécialistes différents pour lire 17 livres différents, les chercheurs ont construit une immense bibliothèque modulaire qui lit tout en même temps. Ils ont nourri ce système de 49 246 scanners IRM cérébraux provenant de 11 groupes de personnes différents, lui apprenant à prédire tout, de l'âge et du niveau d'éducation d'une personne jusqu'à la présence de diabète, d'hypertension ou de signes précoces de la maladie d'Alzheimer.
Les chercheurs ont essayé deux méthodes différentes pour entraîner cette bibliothèque. La première était comme avoir 17 étudiants étudiant dans des pièces séparées ; ils lisaient tous les mêmes livres mais ne pouvaient pas se parler. Cela fonctionnait bien, mais c'était inefficace. La deuxième méthode, qui s'est avérée être la gagnante, était comme une course de relais. Dans cette approche « séquentielle », les étudiants étudiaient dans un ordre spécifique. Le premier étudiant apprenait à partir du scanner cérébral brut et transmettait ses notes au deuxième étudiant, qui ajoutait ses propres observations, et ainsi de suite. Au moment où les notes atteignaient le dernier étudiant, elles formaient un résumé massif et riche de tout ce que le cerveau pouvait nous révéler.
L'équipe a découvert que la taille parfaite de l'équipe de relais était de six étudiants. S'ils essayaient d'ajouter plus d'étudiants à la file, les notes devenaient confuses et désordonnées (un problème appelé surapprentissage ou overfitting), et le résumé final devenait moins précis. Ils ont également déterminé quels étudiants étaient les meilleurs « donateurs » de connaissances. Les tâches comme la prédiction de l'Âge, de la maladie d'Alzheimer/Trouble Cognitif Léger, des scores de tests de mémoire (MMSE) et de conditions comme l'Hypertension et l'Hyperlipidémie étaient les superstars. Ces tâches fournissaient les informations les plus utiles pour les autres. En fait, apprendre l'âge d'une personne était si utile que cela a boosté la performance de presque toutes les autres tâches que le modèle a tenté de résoudre.
La magie de GenFAR ne réside pas seulement dans le fait qu'il a appris ces choses ; c'est dans sa capacité à utiliser ce savoir sur de nouveaux problèmes qu'il n'a jamais vus auparavant. Les chercheurs ont testé cela en cachant une tâche (comme la prédiction du statut de fumeur) et en voyant si le modèle, entraîné uniquement sur les autres tâches, pouvait toujours deviner correctement. Les résultats sont impressionnants : le modèle séquentiel était meilleur pour deviner ces tâches cachées qu'un modèle entraîné directement sur les données de cette tâche spécifique. Plus important encore, le modèle était incroyablement « efficace en termes d'échantillonnage ». Habituellement, le deep learning a besoin de milliers d'exemples pour apprendre un nouveau tour. GenFAR, cependant, pouvait apprendre de nouvelles tâches avec seulement 100 à 500 exemples, alors qu'un modèle standard échouerait ou performerait mal avec si peu de données.
L'article écarte explicitement l'idée que des séquences d'apprentissage plus longues sont toujours meilleures ; ils ont trouvé qu'aller au-delà de six tâches nuisait en réalité aux performances. Ils ont également découvert que tous les donateurs de tâches ne sont pas utiles ; essayer d'apprendre à partir de tâches comme le « Total-Tau CSF » (un marqueur protéique spécifique) ou le « Tabagisme » a en fait rendu le modèle moins bon, probablement parce qu'il y avait trop peu de données ou que les signaux cérébraux étaient trop faibles pour être utiles. Les auteurs sont très sûrs de leurs découvertes, ayant testé 5 000 séquences aléatoires différentes pour prouver que six est le chiffre idéal et que la métrique du « Score de Donateur » prédit avec précision quelles tâches aident et lesquelles nuisent.
En fin de compte, les chercheurs n'ont pas gardé cet outil pour eux seuls. Ils ont rendu le modèle et le code publics, permettant à quiconque possédant un scanner cérébral d'extraire ces caractéristiques généralisées et puissantes sans avoir besoin d'un supercalculateur. En transformant une pile de modèles épars à usage unique en un système cohérent de partage de connaissances, GenFAR suggère que l'avenir de l'imagerie cérébrale réside dans des modèles qui apprennent largement d'abord, afin de nous aider à comprendre les secrets du cerveau avec beaucoup moins de données que nous ne le pensions possible.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.