Comparative Study of Anatomical and Learned Features in AI Models for Structural Brain MRI
Deze studie evalueert anatomische, gesuperviseerde CNN- en ongesuperviseerde ViT-kenmerkextractieparadigma's over 80.000 hersen-MRI-scans, waarbij wordt vastgesteld dat eenvoudige anatomische modellen de prestaties van complexe AI evenaren, terwijl een nieuwe Anatomy Segmentation Pretraining (ASP)-methode wordt voorgesteld die bestaande modellen overtreft bij de schatting van de biologische leeftijd.
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
Decennialang hebben artsen en wetenschappers naar hersenscans gekeken om te begrijpen hoe de geest werkt en wat er misgaat wanneer ziekte toeslaat. Om dit te doen, vertrouwen ze vaak op het meten van specifieke delen van de hersenen, zoals de grootte van de hippocampus, een structuur diep vanbinnen die cruciaal is voor het geheugen. Deze metingen, bekend als anatomische kenmerken, zijn lang de standaardmethode geweest om een afbeelding van een brein om te zetten in bruikbare gegevens. In de afgelopen jaren is er echter een nieuwe aanpak ontstaan: kunstmatige intelligentie. Deze computerprogramma's kunnen een scan bekijken en zelf patronen leren herkennen, zonder dat ze precies verteld wordt wat ze moeten meten. De hoop is dat deze machines subtiele aanwijzingen kunnen vinden die het menselijk oog of eenvoudige metingen zouden missen, wat leidt tot betere diagnoses voor aandoeningen zoals de ziekte van Alzheimer of Parkinson. Maar naarmate deze krachtige instrumenten complexer zijn geworden, is een fundamentele vraag onbeantwoord gebleven: leren deze slimme machines eigenlijk iets nieuws, of herontdekken ze simpelweg dezelfde oude anatomische feiten op een complexere manier?
Een team onderzoekers aan de New York University zette zich erbovenop om dit te beantwoorden door de drie belangrijkste manieren van het analyseren van hersenscans rechtstreeks tegen elkaar af te zetten. Ze verzamelden een enorme collectie hersenbeelden, bestaande uit bijna 100.000 scans van ongeveer 80.000 verschillende mensen, afkomstig uit 18 openbare datasets uit de hele wereld. Ze testten deze beelden op drie verschillende soorten systemen. De eerste was de traditionele methode, die software gebruikt om het volume en het oppervlak van 178 verschillende hersengebieden te meten en vervolgens die getallen invoert in een eenvoudig statistisch model. De tweede was een standaard deep learning-netwerk, een type kunstmatige intelligentie dat afbeeldingen pixel voor pixel verwerkt om patronen te vinden. De derde was een nieuwere, geavanceerdere soort model gebaseerd op een technologie genaamd een vision transformer, die was getraind op een enorme hoeveelheid ongelabelde hersendata voordat het werd getest op specifieke medische taken.
De resultaten van deze massale vergelijking waren verrassend. Over zeven verschillende klinische taken heen, variërend van het diagnosticeren van de ziekte van Alzheimer tot het identificeren van tumoren en het voorspellen van de biologische leeftijd van een persoon, presteerde het eenvoudige model gebaseerd op directe anatomische metingen net zo goed als de complexe systemen van kunstmatige intelligentie. In veel gevallen presteerden de geavanceerde AI-modellen niet beter dan de eenvoudige metingen van hersenvolume en oppervlakte. Dit suggereert dat voor de huidige generatie medische datasets de extra complexiteit van deep learning niet noodzakelijkerwijs vertaalt in een betere diagnostische nauwkeurigheid. De onderzoekers ontdekten dat de geavanceerde AI-modellen inderdaad nuttige informatie leerden, maar dat ze blijkbaar dezelfde anatomische feiten leerden die de eenvoudigere modellen al kenden, zij het op een meer indirecte manier.
De situatie veranderde echter toen de onderzoekers keken naar een taak waarbij ze over een veel grotere hoeveelheid data beschikten: het schatten van de biologische leeftijd van een persoon. In deze specifieke test, die meer dan 60.000 proefpersonen omvatte, begonnen de meest geavanceerde modellen de leiding te nemen. De onderzoekers observeerden dat terwijl de standaard AI-modellen in de loop van de tijd leerden om hersenstructuren te herkennen, ze dit traag deden. Om dit te versnellen, ontwikkelde het team een nieuwe trainingsmethode die ze "Anatomy Segmentation Pretraining" noemden. In plaats van de AI alleen maar te laten raden wat er in de afbeelding zat, dwongen ze het om te leren door tijdens de trainingsfase expliciet specifieke hersengebieden te identificeren en te omlijnen. Deze aanpak, die de kracht van grootschalige AI combineerde met de helderheid van bekende anatomische feiten, produceerde de meest nauwkeurige leeftingsschattingen van allemaal, waarmee zowel de standaard AI als de traditionele meetmodellen werd overtroffen.
De studie concludeert dat hoewel geavanceerde kunstmatige intelligentie een krachtig hulpmiddel is, het de oude methoden voor het meten van de hersenanatomie nog niet overbodig heeft gemaakt. Voor veel veelvoorkomende medische taken blijft de directe meting van hersenstructuren een zeer effectieve en efficiënte baseline. De onderzoekers suggereren dat de toekomst van AI in de hersenbeeldvorming niet ligt in het vervangen van deze anatomische feiten, maar in het leren van de machines om deze sneller en dieper te begrijpen. Door kunstmatige intelligentie te sturen met expliciete anatomische kennis, kunnen wetenschappers modellen creëren die niet alleen nauwkeuriger zijn, maar ook beter begrijpen welke specifieke biologische veranderingen optreden naarmate we ouder worden of een ziekte ontwikkelen. Dit werk biedt een duidelijke routekaart voor het bouwen van de volgende generatie medische AI, waarbij wordt gewaarborgd dat deze krachtige instrumenten geworteld zijn in de werkelijke, fysieke structuren van het menselijk brein.
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.