Методи комп’ютерної діагностики та класифікації
Комп’ютерна діагностика має вирішальне значення у покращенні стратегії лікування пацієнтів з неврологічними захворюваннями. Розроблено різноманітні системи, що дозволяють класифікувати фізіологічну картину змін, характерних для таких захворювань, як епілепсія, хвороба Альцгеймера, хвороба Паркінсона, розсіяний склероз, розлади аутистичного спектра, пухлини головного мозку, розлади, пов’язані з алкоголізмом та порушеннями сну. Останні досягнення в ідентифікації характерних рис із застосуванням методу глибинного навчання дозволяють класифікувати дані різних методів візуалізації, в тому числі на основі магнітно-резонансної томографії, при хворобі Альцгеймера, пухлинах головного мозку та легень у співвідношенні з клінічною симптоматикою. Очікується, що застосування методу глибинного навчання забезпечить екстрагування унікальних особливостей різноманітних неврологічних захворювань та перевершить можливості механічної класифікації масиву даних. Крім того, подібна система згодом може сформувати базис для підвищення ефективності лікування неврологічних патологій за рахунок зменшення навантаження на лікаря та підвищення точності діагностики, використовуючи великий масив даних нейровізуалізації, що нерідко ускладнює діагностичний процес, супроводжуючись помилками.
Магнітоенцефалографія та електроенцефалографія — методи, необхідні в діагностиці епілепсії, а також корисні в комплексній характеристиці різноманітних неврологічних захворювань, в тому числі хвороб Паркінсона та Альцгеймера. Вважається, що магнітоенцефалографія має вищу просторову роздільну здатність порівняно з електроенцефалографією, що дозволяє здійснювати точний моніторинг активності кори головного мозку. Однак діагностика із застосуванням магнітоенцефалографії є обтяжливою для клініцистів та вимагає певного досвіду, враховуючи складність попередньої обробки, необхідної для виокремлення кортикальних сигналів, та труднощі в класифікації різноманітних патернів сигналів. Враховуючи зазначене, окремі вчені висловили думку про те, що класифікація сигналів магнітоенцефалографії із застосовуванням методів глибинного навчання дозволить зменшити навантаження на лікарів та разом з тим підвищити точність неврологічного діагнозу.
Метод MNet та глибинне навчання
У дослідженні науковими співробітниками Вищої медичної школи Університету Осаки (Osaka University Graduate School of Medicine), Японія, та Вищої школи інформаційних наук та технологій Токійського університету (Graduate School of Information Science and Technology, The University of Tokyo), Японія, було представлено новітню розробку пристрою MNet — глибинної нейронної мережі, що дозволяє диференціювати неврологічні захворювання на основі аналізу сигналів магнітоенцефалографії в стані спокою. Стаття за матеріалами дослідження опублікована у виданні «Scientific Reports» 25 березня 2019 р.
У ході роботи для навчання та тестування мережі із застосуванням перехресної перевірки було проведено аналіз даних магнітоенцефалографії 67 здорових осіб (35 жінок та 32 чоловіки віком 21–86 років, середній вік — близько 60 років), 26 пацієнтів із травмою спинного мозку (3 жінки та 23 чоловіки, середній вік — 34,5 року, діапазон — 22–61 рік) та 140 пацієнтів з епілепсією (72 жінки та 68 чоловіків, середній вік 26,5 року, діапазон — 7–71 рік). Як орієнтир дослідниками було обрано зміни, характерні для епілепсії, зважаючи на те, що більшість попередніх досліджень були засновані на ідентифікації особливостей цієї патології на основі даних електроенцефалографії. Для порівняння точності нового способу класифікації з попередніми дослідженнями на основі електроенцефалографії вчені спиралися лише на характеристики сигналів магнітоенцефалографії у пацієнтів з підтвердженим діагнозом епілепсії. Таким чином, було оцінено точність класифікації на основі MNet у групах пацієнтів та контрольній групі, а для порівняння також було проведено класифікацію отриманих даних, використовуючи метод опорних векторів (support vector machine — SVM).
Результати та коментарі
Застосування технології MNet у поєднанні з методом глибинного навчання дозволило класифікувати осіб контрольної групи та пацієнтів із зазначеними неврологічними захворюваннями з точністю 70,7±10,6%, що суттєво перевищило точність 63,4±12,7%, розраховану за відносною потужністю шести частотних характеристик (δ: 1–4 Гц; θ: 4–8 гц; низький-α: 8–10 Гц; високий-α: 10–13 Гц; β: 13–30 Гц; низький-γ: 30–50 Гц) для кожного каналу з використанням методу опорних векторів SVM як моделі класифікатора (p=4,2• 10−2).
За результатами аналізу вчені дійшли висновку, що метод MNet перевершує можливості технології SVM за точністю класифікації масиву даних за рахунок масштабного скринінгу глобальних ознак неопрацьованих сигналів. На завершення дослідники акцентували увагу на тому, що представлений метод може бути корисним для майбутньої розробки класифікатора, який дозволить покращити якість та підвищити специфічність діагностики неврологічних розладів.
Долучайтеся до нас у Viber-спільноті, Telegram-каналі, Instagram, на сторінці Facebook, а також Twitter, щоб першими отримувати найсвіжіші та найактуальніші новини зі світу медицини.
- Aoe J., Fukuma R., Yanagisawa T. et al. (2019) Automatic diagnosis of neurological diseases using MEG signals with a deep neural network. Sci. Rep., Mar. 25. DOI: 10.1038/s41598-019-41500-x.
Наталія Савельєва-Кулик
