AI segmentation requires accounting for brain size to maintain performance on developmental MRI cohorts
Deze studie toont aan dat het herschalen en bijsnijden van MRI-scans van zuigelingen om de dimensies van het volwassen brein te evenaren, de prestaties van de SynthSeg deep learning tool aanzienlijk verbetert, waarbij de succesvolle segmentatiepercentages in ontwikkelingscohorten toenemen van 36% naar 91%.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Stel je voor dat je een robot probeert te leren om verschillende soorten fruit te herkennen. Je laat het de robot duizenden foto's zien van enorme, rijpe watermeloenen en appels, en leert het precies hoe een "vrucht" eruitziet. Maar dan geef je de robot een piepklein, onrijp druifje en vraag je: "Is dit een vrucht?" De robot kan in de war raken. Dat komt niet omdat de druif geen fruit is, maar omdat de robot alleen getraind is op grote, volwassen vruchten. Het weet niet hoe het met iets moet dat zo klein is, of hoe de kleuren er anders uit kunnen zien wanneer de vrucht nog jong is. Dit is precies het soort puzzel waar wetenschappers voor staan wanneer ze kunstmatige intelligentie (AI) gebruiken om de menselijke hersenen te bestuderen.
In de wereld van de neurowetenschap gebruiken onderzoekers MRI-scans — alsof je een supergedetailleerde 3D-foto maakt van de binnenkant van je hoofd — om te zien hoe de hersenen groeien en veranderen. Lange tijd waren AI-tools erg goed in het analyseren van deze foto's voor volwassenen. Maar wanneer wetenschappers diezelfde tools probeerden te gebruiken op baby's en kinderen, ging de AI het vaak fout. Waarom? Omdat de hersenen van een baby klein zijn vergeleken met die van een volwassene, en de manier waarop ze er op een scan uitzien totaal anders is. Het is alsof je probeert de hand van een peuter in een enorme volwassen handschoen te steken; de vorm klopt gewoon niet. Dit is belangrijk omdat als we de hersenen van een kind niet nauwkeurig kunnen meten, we ook geen vroege tekenen van ontwikkelingsstoornissen kunnen opsporen of kunnen begrijpen hoe de hersenen in de eerste plaats groeien. De grote vraag was: Kunnen we de AI zo aanpassen dat deze voor iedereen werkt, van pasgeborenen tot volwassenen, zonder dat we voor elke leeftijd een compleet nieuwe robot hoeven te bouwen?
Dit artikel gaat over een team van onderzoekers die besloten om dit "handschoenprobleem" voor hersenscans op te lossen. Ze testten een populaire AI-tool genaamd SynthSeg, die een soort superintelligente digitale chirurg is die automatisch lijnen kan trekken rond verschillende delen van de hersenen. Ze ontdekten dat wanneer ze de tool met scans van baby's voedden, de tool faliekant mislukte. Van de 100 baby-scans voldeed er slechts ongeveer 36 aan de kwaliteitscontrole, wat betekent dat de AI de hersenen niet betrouwbaar kon in kaart brengen. De onderzoekers realiseerden zich dat de AI in de war was omdat hij tijdens zijn training alleen maar "volwassen" hersenen van een bepaalde grootte had gezien. De babyhersenen waren simpelweg te klein en de scans hadden te veel lege ruimte eromheen (zoals de nek en schouders) waardoor de AI het niet meer begreep.
Dus bedachten het team een slimme tweestaps-truc om de AI te helpen baby's te begrijpen. Eerst "rekten" ze de baby-hersenscans digitaal uit zodat ze dezelfde grootte kregen als een volwassen brein. Het is alsof je inzoomt op een kleine foto totdat deze het hele scherm vult. Ten tweede "cropten" (bijsneden) ze de afbeelding, waarbij ze alle extra achtergrondzaken zoals de nek en schouders wegsneden, zodat de AI alleen de hersenen zag, net zoals bij volwassen scans. Ze noemden deze nieuwe methode "rescale + crop" (hervergroten + bijsnijden).
De resultaten waren een gamechanger. Toen ze deze nieuwe truc toepasten, sprong het succespercentage van de baby-scans van 36% naar 91%. Plotseling kon de AI de babyhersenen duidelijk zien en gingen de kwaliteitsscores omhoog, wat overeenkwam met de werkelijke nauwkeurigheid van de kaarten. De onderzoekers testten dit op een enorme collectie van 26.000 scans van baby's tot volwassenen en ontdekten dat deze eenvoudige aanpassing de AI soepel liet werken over de gehele levensloop. Ze hoefden de AI niet vanaf nul opnieuw te trainen of een nieuw model te bouwen; ze moesten de AI alleen leren om naar de baby-scans te kijken op een manier die overeenkwam met wat hij al wist.
Het artikel sluit ook een aantal zaken uit. Het laat zien dat het probleem niet alleen de "contrasten" of de kleuren in de baby-scans waren (die veranderen naarmate de hersenen rijpen), maar specifief de grootte en het gezichtsveld. Ze ontdekten dat het enkel uitrekken van de afbeelding niet genoeg was; je moest ook de achtergrond bijsnijden, anders zou de AI nog steeds in de war raken door de extra ruimte. Hoewel deze oplossing voor nu wonderen doet, merkt de auteur wel op dat babyhersenen niet simpelweg "kleine volwassen hersenen" zijn — ze hebben unieke vormen en texturen die deze methode niet volledig vastlegt. Echter, deze oplossing stelt wetenschappers in staat om één enkele, betrouwbare tool te gebruiken om de hersenontwikkeling van geboorte tot volwassenheid te volgen, wat de deur opent naar een beter begrip van hoe onze hersenen groeien en wat er gebeurt als die groei uit de bocht vliegt.
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.