End-to-end Stroke imaging analysis, using reservoir computing-based effective connectivity, and interpretable Artificial intelligence

Het menselijk brein is geen statische verzameling onderdelen, maar een dynamisch, stromend netwerk waarbij informatie constant tussen verschillende regio's reist. Om te begrijpen hoe het brein werkt, en hoe het faalt tijdens een letsel, kijken wetenschappers naar drie soorten verbindingen. Structurele connectiviteit is de fysieke bedrading, zoals de wegen zelf. Functionele connectiviteit meet hoe vaak verschillende gebieden tegelijkertig oplichten, vergelijkbaar met verkeerspatronen die toevallig samenvallen. Effectieve connectiviteit gaat een stap verder en vraagt welke regio daadwerkelijk het signaal naar de andere stuurt, waardoor een oorzaak-gevolgrelatie in de informatiestroom wordt vastgesteld. Voor patiënten die lijden aan een beroerte, waarbij de bloedtoevoer naar een deel van de hersenen wordt geblokkeerd, worden deze netwerken verstoord. De schade is zelden slechts een simpel gat in het weefsel; het rimpelt door het hele systeem en verandert de manier waarop informatie van de ene naar de andere zijde van het brein beweegt. Het begrijpen van deze specifieke veranderingen in richting en timing is cruciaal voor het diagnosticeren van de ernst van een beroerte en het voorspellen van hoe een patiënt kan herstellen, maar traditionele hulpmiddelen hebben vaak moeite om deze complexe, eenrichtingsstromen nauwkeurig in kaart te brengen.

In een nieuwe studie hebben onderzoekers van de AGH Universiteit van Krakau en het Sano Center voor Computationele Geneeskunde een volledige pijplijn ontwikkeld om deze causale stromen in kaart te brengen en ze te gebruiken om gezonde breinen te onderscheiden van breinen die door een beroerte zijn beschadigd. Het team begon met magnetische resonantie-imagingdata van 104 beroer Patienten en 26 gezonde vrijwilligers. Deze scans legden de activiteit van het brein in de loop van de tijd vast, opgedeeld in 100 afzonderlijke regio's. In plaats van standaardmethoden te gebruiken die vaak uitgaan van een eenvoudige, tweezijdige relatie tussen regio's, gebruikten de onderzoekers een gespecialiseerde computationele techniek genaamd reservoir computing. Deze benadering behandelt de hersenactiviteit als een complex, tijdsgebonden systeem, waardoor de computer kan leren hoe het signaal in de ene regio de signaal in de andere beïnvloedt, waardoor de richting van de informatiestroom effectief wordt gereconstrueerd. Het resultaat was een gedetailleerde kaart van de "effectieve connectiviteit" voor elke persoon, weergegeven als een gerichte graaf waarbij pijlen precies laten zien welke hersenregio's de activiteit van anderen aansturen.

Zodra deze kaarten waren gemaakt, voedden de onderzoekers ze aan een type kunstmatige intelligentie dat ontworpen is voor het analyseren van netwerken, bekend als een graph convolutional neural network. Het doel was om te zien of de computer het verschil kon leren tussen de hersennetwerken van beroerpatiënten en gezonde controles op basis van enkel deze directionele kaarten. Het systeem was succesvol en identificeerde de groepen correct met een nauwkeurigheid die vertaalde naar een score van 0,69 op een standaard prestatieschaal. Hoewel dit bescheiden mag klinken, is het een significante verbetering ten opzichte van eerdere methoden die vertrouwden op oudere statistische technieken, zoals Granger-causaliteit, die lagere scores opleverden. De studie toonde expliciet aan dat de nieuwe reservoir computing-benadering de nuances van de verstoorde netwerken van het brein beter vastlegde dan de traditionele methode, met name door te onthullen hoe de balans tussen de linker- en rechterhemisfeer bij patiënten werd doorbroken.

Misschien wel het meest waardevolle deel van dit werk was niet alleen de classificatie, maar ook het vermogen om uit te leggen waarom de computer zijn beslissingen nam. Met behulp van een hulpmiddel genaamd LIME konden de onderzoekers in de "denkproces" van de kunstmatige intelligentie kijken om te zien welke specifieke verbindingen in het brein het belangrijkst waren voor het identificeren van een beroerte. Ze ontdekten dat voor patiënten de meest veelzeggende tekenen van verstoring te vinden waren in de netwerken die verantwoordelijk zijn voor aandacht, zowel aan de bovenkant als aan de onderkant van de aandachtssystemen van het brein. In contrast hiermee werden de gezonde controles geïdentificeerd door de integriteit van hun visuele en talige netwerken. Deze bevinding komt overeen met wat bekend is over symptomen van een beroerte, zoals afasie, waarbij de taalverwerking wordt aangetast. De studie suggereert dat de locatie van de beroerte enorm veel uitmaakt; patiënten met schade aan de rechterkant van het brein vertoonden een ernstigere breuk in de symmetrische communicatie tussen de hemisferen, waarschijnlijk omdat de rechterhemisfeer minder betrokken is bij spraak en meer lijdt onder de rimpeleffecten van de letsel.

De onderzoekers benadrukken dat dit een end-to-end framework is, wat betekent dat het ruwe hersenscans neemt en deze omzet in een duidelijke, interpreteerbare diagnose zonder dat menselijke experts handmatig elke verbinding hoeven te traceren. Hoewel de dataset heterogeen was, met beroertes die op veel verschillende locaties in het brein voorkwamen, slaagde het systeem erin een gemeenschappelijke draad van verstoring te vinden. De studie beweert niet de diagnose van een beroerte te hebben opgelost, noch suggereert het dat dit hulpmiddel klaar is voor onmiddellijk gebruik in een ziekenhuis. In plaats daarvan demonstreert het een levensvatbaar pad vooruit, waarbij wordt getoond dat het combineren van geavanceerde causale modellering met uitlegbare kunstmatige intelligentie de verborgen mechanica van hersenletsel kan onthullen. Door complexe neuroimagingdata om te zetten in een visuele kaart van verstoorde verbindingen, biedt dit werk een nieuwe manier om te begrijpen hoe het brein faalt, wat potentieel kan leiden tot betere manieren om patiënten te stratificeren en behandelingen in de toekomst af te stemmen.