A continually expandable foundation model for brain MRI
Het artikel introduceert Alcmaeon, een continu uitbreidbaar 3D-hersen-MRI-fundamentmodel getraind op meer dan 425.000 ongelabelde volumes dat Graph-Blueprint Pruning gebruikt om zich sequentieel aan te passen aan diverse klinische domeinen, terwijl het catastrofaal vergeten effectief voorkomt en eerdere capaciteiten behoudt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een robot probeert te leren de menselijke hersenen te begrijpen. Je laat het de robot duizenden MRI-scans zien—die gedetailleerde 3D-beelden die artsen gebruiken om in onze hoofden te kijken. In het begin leert de robot gezonde hersenen te herkennen. Maar dan wil je dat de robot hersentumoren herkent, of veranderingen begrijpt die worden veroorzaakt door Alzheimer, of zelfs ziet hoe de hersenen van een kind nog groeien. Het probleem is dat wanneer je de robot iets nieuws leert, hij vaak vergeet wat hij eerder heeft geleerd. Het is alsof je studeerde voor een geschiedenisexamen, en vervolgens direct begon met studeren voor een wiskundetoets, en plotseling niet meer kon herinneren welke data bij de Franse Revolutie hoorden. In de wereld van kunstmatige intelligentie wordt dit "catastrofaal vergeten" genoemd. Wetenschappers proberen "foundation models" te bouwen—superintelligente AI-hersenen die algemene regels leren van enorme hoeveelheden data, zodat ze kunnen worden aangepast aan veel verschillende taken zonder dat ze telkens vanaf nul moeten worden opgebouwd. Maar het maken van deze modellen werkend voor 3D-hersenscans is ongelooflijk moeilijk omdat de data enorm groot, rommelig en afkomstig is van veel verschillende machines en patiënten. De grote vraag is: Kunnen we een hersen-AI bouwen die nieuwe dingen blijft leren zonder haar oude herinneringen te verliezen?
Maak kennis met Alcmaeon, een nieuw soort AI foundation model voor hersen-MRI-scans dat werkt als een zeer gedisciplineerde student die nooit vergeet. Gecreëerd door een team van onderzoekers, werd Alcmaeon getraind op meer dan 425.000 driedimensionale hersenscans zonder dat iemand deze handmatig hoefde te labelen. In plaats van alleen een keer te leren en dan te stoppen, is Alcmaeon ontworpen om te groeien. Het leert sequentieel, bewegend van gezonde populaties naar neurodegeneratieve ziekten, dan naar ontwikkelingsstoornissen en psychiatrische aandoeningen, en tot slot naar hersentumoren. Het geheime ingrediënt dat dit mogelijk maakt, is een slimme truc genaamd Graph-Blueprint Pruning (GBP).
Denk aan het brein van Alcmaeon als een enorme bibliotheek vol miljoenen boeken (of in dit geval, kleine computercircuits genaamd "modules"). Wanneer de AI een nieuw onderwerp leert, zoals het opsporen van hersentumoren, probeert hij meestal zijn hele bibliotheek te herschrijven, wat per ongeluk de oude boeken over gezonde hersenen wist. GBP is als een bibliothecaris die een "Niet aanraken"-sticker op de specifieke boeken plakt die essentieel zijn voor de oude onderwerpen. Wanneer de AI iets nieuws leert, kan hij alleen schrijven in de lege ruimtes of de boeken gebruiken die geen stickers hebben. Op deze manier kan de AI leren over tumoren zonder per ongeluk de kennis over gezond ouder worden te verwijderen. De "blueprint" is in essentie een kaart die bijhoudt welke boeken beschermd zijn en welke vrij zijn om bijgewerkt te worden.
De onderzoekers testten dit door Alcmaeon door vier verschillende stadia te leiden: gezonde veroudering, neurodegeneratie, ontwikkelings-/psychiatrische beeldvorming en tot slot hersentumoren. Ze vergeleken Alcmaeon met deze "blueprint"-methode met andere veelvoorkomende manieren om AI te onderwijzen, zoals het simpelweg opnieuw trainen van alles (wat catastrofaal vergeten veroorzaakt) of het gebruik van een methode genaamd Elastic Weight Consolidation (EWC). De resultaten lieten zien dat wanneer de AI de grootste uitdaging tegenkwam—het leren over hersentumoren, die er heel anders uitzien dan gezonde hersenen—Alcmaeon met GBP zijn geheugen veel beter behield dan de anderen. Terwijl de andere methoden begonnen te vergeten hoe ze gezonde hersenbeelden moesten reconstrueren (waarbij hun prestatiescores aanzienlijk daalden), hield Alcmaeon met GBP zijn vaardigheden vast, waarbij het vermogen om gezonde hersenen te zien intact bleef terwijl het tegelijkertijd leerde om tumoren te herkennen.
Interessant genoeg vonden de onderzoekers dat het groter maken van het AI-model (het toevoegen van meer parameters) de AI niet automatisch beter maakte in het onthouden van zaken. In plaats daarvan deed de manier waarop het model werd gebouwd er meer toe. Bijvoorbeeld, het type wiskundige "taal" dat het model gebrude om de beelden te begrijpen (deterministisch versus variationeel) veranderde hoe goed het werkte voor verschillende soorten scans. Voor standaard structurele scans werkte een rechtlijnige aanpak het best, maar voor sommige complexe microstructuurkaarten was een flexibelere aanpak nodig.
Het team controleerde ook of deze "lerende" AI daadwerkelijk artsen kon helpen. Ze testten of de kennis die Alcmaeon verzamelde gebruikt kon worden voor real-world taken, zoals het voorspellen van hoe lang een patiënt met een hersentumor zou leven, het classificeren van de ziekte van Alzheimer, of zelfs het genereren van nieuwe MRI-beelden om te zien hoe een brein er zonder tumor uit zou zien. Ze ontdekten dat verschillende delen van het AI-brein goed waren in verschillende taken. De "middelste lagen" van het model waren uitstekend in het opsporen van ziekten, terwijl het hele systeem goed was in het genereren van nieuwe beelden. Cruciaal was dat zelfs nadat de AI over tumoren had geleerd, de delen van de AI die over Alzheimer en andere ziekten wisten, nog steeds aanwezig en nuttig waren, wat bewees dat de "Niet aanraken"-stickers werkten.
Kortom, dit artikel suggereert dat we niet voor elke hersenziekte een nieuwe AI hoeven te bouwen. In plaats daarvan kunnen we één uitbreidbare AI bouwen die stap voor stap leert, waarbij het kennis uit het verleden beschermt terwijl het nieuwe informatie absorbeert. Hoewel de onderzoekers voorzichtig zijn om te zeggen dat dit een veelbelovende stap voorwaarts is en nog geen perfecte oplossing (en dat het nog meer testen op echte patiënten nodig heeft voordat het in ziekenhuizen kan worden gebruikt), hebben ze een duidelijk pad getoond naar AI die kan meegroeien met de medische wetenschap zonder de weg kwijt te raken.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.