GenFAR: A generalized representation of brain structure, derived from 49,246 multi-cohort MRIs via deep learning
GenFAR is een modulair deep learning-framework dat is getraind op 49.246 multi-cohort hersen-MRI's met behulp van een sequentiële aanpak om een gegeneraliseerde, klinisch geïnformeerde representatie af te leiden die de steekproefefficiëntie en nauwkeurigheid van downstream neuroimaging-taken aanzienlijk verbetert.
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. Jarenlang hebben wetenschappers "specialistische" robots gebouwd: één die geweldig is in het opsporen van een tumor, een andere die goed is in het raden van iemands leeftijd, en een derde die alleen kan zien of iemand een hoge bloeddruk heeft. Deze specialisten zijn goed in hun ene taak, maar ze zijn verschrikkelijk in het delen van wat ze weten. Als je een nieuwe robot wilt bouwen om een andere ziekte te voorspellen, moet je vanaf nul beginnen, een enorme berg data verzamelen en het allemaal opnieuw trainen. Dit is traag, duur en vaak onmogelijk als je niet over miljoenen hersenscans beschikt.
Het vakgebied van de medische beeldvorming zit momenteel vast in deze "specialistische" modus. Echter, in andere gebieden van kunstmatige intelligentie, zoals taal of foto's, zijn wetenschappers begonnen met het bouwen van "foundation models" — enorme, algemene breinen die eerst brede patronen leren, die vervolgens kunnen worden aangepast voor specifieke taken. De grote vraag voor hersenonderzoekers is: Kunnen we een vergelijkbaar algemeen brein bouwen voor medische scans? Als dat zou lukken, zou het betekenen dat we kunnen leren van een heel kleine hoeveelheid nieuwe data, omdat het model de basis al begrijpt van hoe hersenen eruitzien en veranderen. Dit is de uitdaging waar het artikel zich mee bezighoudt: het creëren van één slim systeem dat tegelijkertijd leert van veel verschillende hersengerelateerde taken, zodat het artsen en wetenschappers kan helpen nieuwe problemen sneller en met minder data op te lossen.
Maak kennis met GenFAR, een nieuw soort "hersenen-brein" dat fungeert als een superkrachtige bibliothecaris voor medische beelden. In plaats van 17 verschillende specialisten in te huren om 17 verschillende boeken te lezen, bouwden de onderzoekers één massieve, modulaire bibliotheek die ze allemaal tegelijkertijd leest. Ze voedden dit systeem met 49.246 hersen-MRI-scans van 11 verschillende groepen mensen, waarbij ze het leerden alles te voorspellen van iemands leeftijd en opleidingsniveau tot de vraag of iemand diabetes, een hoge bloeddruk of vroege tekenen van Alzheimer heeft.
De onderzoekers probeerden twee verschillende manieren om deze bibliotheek te trainen. De eerste was als het hebben van 17 studenten die in aparte kamers studeren; ze lazen allemaal dezelfde boeken maar konden niet met elkaar praten. Dit werkte oké, maar het was inefficiënt. De tweede methode, die de winnaar bleek te zijn, was als een estafette. In deze "sequentiële" aanpak studeerden de studenten in een specifieke volgorde. De eerste student leerde van de ruwe hersenscan en gaf hun aantekeningen door aan de tweede student, die hun eigen inzichten toevoegde, enzovoort. Tegen de tijd dat de aantekeningen de laatste student bereikten, hadden ze een enorme, rijke samenvatting van alles wat de hersenen ons konden vertellen.
Het team ontdekte dat de perfecte grootte van het estafette-team zes studenten was. Als ze probeerden meer studenten aan de lijn toe te voegen, werden de aantekeningen rommelig en verwarrend (een probleem genaamd overfitting), en werd de uiteindelijke samenvatting minder accuraat. Ze ontdekten ook welke studenten de beste "donoren" van kennis waren. Taken zoals het voorspellen van Leeftijd, Alzheimer/Mild Cognitive Impairment, MMSE-score (geheugentest) en aandoeningen zoals Hypertensie en Hyperlipidemie waren de supersterren. Deze taken leverden de meest nuttige informatie voor de andere taken. Sterker nog, leren over de leeftijd van een persoon was zo nuttig dat het de prestaties van bijna elke andere taak die het model probeerde op te lossen, een boost gaf.
De magie van GenFAR is niet alleen dat het deze dingen leerde; het is hoe goed het die kennis kan gebruiken op nieuwe problemen die het nog nooit eerder heeft gezien. De onderzoekers testten dit door één taak (zoals het voorspellen van de rookstatus) te verbergen en te kijken of het model, getraind op de andere taken, deze nog steeds correct kon raden. De resultaten waren indrukwekkend: het sequentiële model was beter in het raden van deze verborgen taken dan een model dat direct op de data voor die specifie-ieke taak was getraind. Nog belangrijker was dat het model ongelooflijk "sample efficient" was. Normaal gesproken heeft deep learning duizenden voorbeelden nodig om een nieuwe truc te leren. GenFAR kon echter nieuwe taken leren met slechts 100 tot 500 voorbeelden, terwijl een standaardmodel met zo weinig data zou falen of slecht zou presteren.
Het artikel sluit expliciet de gedachte uit dat langere sequenties van leren altijd beter zijn; ze ontdekten dat verder gaan dan zes taken de prestaties daadwerkelijk verslechterde. Ze vonden ook dat niet alle taken nuttige donoren zijn; proberen te leren van taken zoals "Total-Tau CSF" (een specifieke eiwitmarker) of "Roken" maakte het model eigenlijk slechter, waarschijnlijk omdat er niet genoeg data was of de hersensignalen te zwak waren om nuttig te zijn. De auteurs zijn zeer zeker over hun bevindingen, aangezien ze 5.000 verschillende willekeurige sequenties hebben getest om te bewijzen dat zes het ideale punt is en dat de "Donor Score"-metriek accuraat voorspelt welke taken helpen en welke schaden.
Uiteindelijk hielden de onderzoekers dit hulpmiddel niet voor zichzelf. Ze brachten het model en de code uit naar het publiek, waardoor iedereen met een hersenscan deze krachtige, gegeneraliseerde kenmerken kan extraheren zonder een supercomputer nodig te hebben. Door een stapel verspreide, enkeldoelmatige modellen te veranderen in één samenhangend, kennisdelend systeem, suggereert GenFAR dat de toekomst van de hersenbeeldvorming ligt in modellen die eerst breed leren, zodat ze ons kunnen helpen de geheimen van de hersenen te begrijpen met veel minder data dan we ooit voor mogelijk hielden.
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.