Federated Learning for MRI-based BrainAGE: a multicenter study on post-stroke functional outcome prediction

Het menselijk brein verandert naarmate we ouder worden, net als de rest van het lichaam, maar deze veranderingen verlopen niet bij iedereen met dezelfde snelheid. Sommige mensen behouden een brein dat lijkt op en functioneert als dat van een veel jonger persoon, terwijl anderen tekenen van veroudering vertonen die veel eerder optreden dan hun geboorteakte suggereert. Wetenschappers hebben een manier ontwikkeld om dit verschil te meten, bekend als "breinleeftijd". Door computerprogramma's duizenden hersenscans te voeren, leren ze de software om iemands leeftijd te voorspellen op basis uitsluitend van de structuur van diens brein. Als de computer raadt dat iemand ouder is dan hij werkelijk is, suggereert dit dat het brein sneller is verouderd dan gemiddeld, wat potentieel kan wijzen op verborgen gezondheidsrisico's. Dit concept is een krachtig hulpmiddel geworden voor het begrijpen van de gezondheid van het brein, maar het effectief gebruiken ervan werd altijd geblokkeerd door een grote hindernis: privacy. Ziekenhuizen kunnen niet zomaar patiëntenscans met elkaar delen om een beter model te bouwen, omdat strikte wetten individuele medische gegevens beschermen. Dit creëert een dilemma waarbij de beste modellen enorme hoeveelheden gegevens van veel verschillende plaatsen vereisen, terwijl die gegevens niet verplaatst kunnen worden.

Een team van onderzoekers in Frankrijk en de Verenigde Staten pakte dit probleem aan door een nieuwe aanpak te testen genaamd federated learning (federatief leren). In plaats van alle hersenscans op één centrale locatie te verzamelen, hielden ze de gegevens vergrendeld binnen elk van de zestien verschillende ziekenhuizen waar ze werden verzameld. Ze stuurden een computerprogramma naar elk ziekenhuis, lieten het leren van de lokale patiënten, en brachten vervolgens alleen de lessen mee die het programma had geleerd, en niet de patiëntgegevens zelf. Dit stelde hen in staat om een enkel, krachtig model te bouwen dat de nuances van hersenveroudering over een diverse populatie begreep, zonder ooit de privacyregels te schenden. Ze pasten deze methode toe op een specifieke groep patiënten: 1.674 individuen die een ernstig type beroerte hadden gehad en een mechanische procedure hadden ondergaan om de blokkade in de bloedvaten van hun hersenen te verwijderen. De onderzoekers wilden zien of deze privacy-bewarende methode accuraat de breinleeftijd kon schatten en, belangrijker nog, of die schatting kon voorspellen hoe goed een patiënt drie maanden na de beroerte zijn dagelijkse functies zou herstellen.

De studie richtte zich op beelden die werden gemaakt voordat er enige behandeling begon, specifelijk een bepaald type scan genaamd FLAIR, die vloeistof en schade in de hersenen accentueert. De onderzoekers vergeleken drie verschillende manieren om hun voorspellingsmodellen op te bouwen. De eerste was de traditionele methode, waarbij alle beelden van alle zestien centra werden samengevoegd in één gigantische dataset. De tweede was de nieuwe federatieve methode, waarbij het model lokaal bij elke locatie leerde en alleen de updates deelde. De derde was een baseline-test met gegevens van slechts één ziekenhuis om te zien hoeveel er verloren ging door het netwerk te negeren. De resultaten lieten zien dat hoewel de traditionele, gecentraliseerde methode de meest precieze leeftijdschattingen produceerde, de federatieve aanpak er opvallend dichtbij zat en aanzienlijk beter was dan het vertrouwen op de gegevens van één enkel ziekenhuis. Dit bewees dat de nieuwe methode de complexiteit van een grote, diverse groep patiënten kon vatten zonder ook maar één afbeeldingsbestand uit het thuisziekenhuis te verplaatsen.

De echte waarde van dit werk lag echter niet alleen in de nauwkeurigheid van de leeftijdschattingen, maar in wat die schattingen onthulden over de gezondheid van de patiënten. De onderzoekers ontdekten dat de door deze modellen berekende "breinleeftijd" sterk verbonden was met de resultaten in de echte wereld. Patiënten wiens hersenen ouder leken dan hun werkelijke jaren, hadden een significant grotere kans op diabetes en hadden een veel grotere kans op een slecht herstel drie maanden na hun beroerte. Omgekeerd hadden patiënten wiens hersenen jonger waren dan verwacht de neiging om betere functionele resultaten te hebben, wat betekent dat ze een grotere kans hadden om hun onafhankelijkheid te herwinnen. Deze connectie bleef standhouden, ongeacht of het model werd gebouwd met de gecentraliseerde gegevens of de federatieve methode. Zelfs toen de onderzoekers corrigeerden voor andere bekende factoren zoals de ernst van de beroerte, de tijd die het kostte om behandeling te krijgen en andere medische aandoeningen, bleef de schatting van de breinleeftijd een sterke voorspeller van herstel.

De studie onderzocht ook hoe verschillende soorten hersenkenmerken bijdroegen aan deze voorspellingen. Sommige modellen keken naar het totale volume van verschillende hersengebieden, terwijl andere duizenden minuscule textuurdetails binnen de witte stof van de hersenen onderzochten. De complexere modellen die deze fijne details analyseerden, hadden de neiging om nauwkeuriger te zijn en toonden een sterkere link met het herstel van de patiënt. Interessant genoeg ontdekten de onderzoekers dat de specifieke manier waarop het model werd getraind minder uitmaakte voor het uiteindelijke klinische inzicht dan het feit dat het werd getraind op een grote, diverse groep. Of het model nu centraal of federatief werd gebouwd, de kernboodschap bleef hetzelfde: een brein dat ouder oogt dan het zou moeten zijn, is een waarschuwingssignaal voor een moeilijk herstel. Dit suggereert dat de federatieve aanpak niet alleen een technische workaround is voor privacywetgeving, maar een levensvatbare weg naar het creëren van robuuste medische instrumenten die in verschillende ziekenhuizen kunnen worden gebruikt.

Door aan te tonen dat een model kan leren van zestien verschillende centra zonder ooit de ruwe gegevens van meer dan één centrum tegelijk te zien, biedt de studie een praktische oplossing voor een grote flessenhals in het medisch onderzoek. Het laat zien dat ziekenhuizen kunnen samenwerken om de patiëntenzorg te verbeteren en uitkomsten te voorspellen zonder de vertrouwelijkheid van de patiënt in gevaar te brengen. De bevindingen suggereren dat artsen in de toekomst deze privacy-veilige modellen kunnen gebruiken om beroertepatiënten die een hoog risico lopen op een slecht herstel vroegtijdig te identificeren, waardoor meer gepersonaliseerde en intensieve revalidatieplannen mogelijk worden. Het werk bevestigt dat de barrière van gegevensprivacy de vooruitgang van de medische wetenschap niet hoeft te stoppen; met de juiste instrumenten kunnen ziekenhuizen kennis delen terwijl ze patiëntgegevens veilig houden, wat uiteindelijk leidt tot betere zorg voor degenen die herstellen van sommige van de meest verwoestende letsels aan het menselijk lichaam.