Neues KI-Tool kann zur Diagnose neurodegenerativer Erkrankungen beitragen

Der Berg Sinai schafft ein neues tiefes Lernsystem für neurodegenerative Erkrankungen.

geralt/pixabay

Quelle: Geralt / Pixabay

Vor kurzem hat ein Team aus Pionierforschern der Mount Sinai School of Medicine in New York City eine der ersten Plattformen geschaffen, die großformatige Bilddaten in der Neuropathologie zum Aufbau und zur Auswertung von Deep-Learning-Algorithmen verwendet.

In einer Studie, die vor wenigen Wochen in Nature’s Laboratory Investigation , der offiziellen Zeitschrift der Vereinigten Staaten und der Canadian Academy of Pathology, veröffentlicht wurde, entwickelten die Forscher am Mount Sinai einen neuen tiefen Lernalgorithmus, der konvolutionelle neuronale Netzwerke verwendet. Der Algorithmus kann diagnostische Elemente von Tauopathien erkennen, klassifizieren und quantifizieren – neurodegenerative Erkrankungen, bei denen Glia- oder neuronale Einschlüsse aus Tau, einem Mikrotubuli-bindenden Protein, auftreten können.

Das histopathologische Material, das für die Studie verwendet wurde, wurde von 22 menschlichen Autopsiegehirnen von Patienten mit Tauopathien abgeleitet. Pathologisches Tau in Neuronen bilden neurofibrilläre Knäuel (NFT). Die Sektionen wurden digitalisiert und auf eine Informatikplattform am Mount Sinai Center for Computational and Systems Pathology hochgeladen. In der Pathologie des Mount Sinai, einer der größten akademischen Pathologie-Abteilungen des Landes mit 62 Vollzeitpathologen, 900 Histologen und Laboranten, werden jährlich über 80 Millionen Tests durchgeführt.

Das Faltungsnetzwerksystem wurde mit den digitalisierten Bildern trainiert. Das Team setzte eine modifizierte Version der vollständig konvolutionellen SegNet-Architektur für die Erzeugung neuronaler Netzwerke mit tiefem Faltungsnetz ein und verwendete einen stochastischen Gradientenabfall für die differentielle Verlustfunktion.

Interessanterweise wurden die Update-Iterationen für eine “parallele Verarbeitung” auf “Standard-GPU-Hardware” durchgeführt. Das neuronale Netzwerkmodell wurde mit dem PyTorch-Softwarepaket erstellt.

Die Forscher entdeckten eine Methode, die mit Hilfe des Tiefenlernens die Gewebeuntersuchung verbessert und sowohl teilweise quantitative als auch qualitative häufig verwendete Techniken ergänzt. Daher bietet das neue Deep Learning-System des Teams eine schnelle, reproduzierbare und vorurteilsfreie Methode, um „die arbeitsintensive manuelle Zählung histopathologischer Merkmale zu erhöhen“.

Derzeit ist nicht genau bekannt, wie pathologische Tau neuronale Störungen beeinflusst. Mit diesem innovativen Rahmen können Wissenschaftler auf reproduzierbare quantitative Daten für klinisch-pathologische Korrelationen zugreifen, um die Pathogenese von Tauopathien wie der Alzheimer-Krankheit zu erforschen.

Copyright © 2019 Cami Rosso Alle Rechte vorbehalten.

Verweise

Signaevsky, Maxim, Prastawa, Marcel, Farrell, Kurt, Tabish, Nabil, Baldwin, Elena, Han, Natalia, Lida, Megan A., Koll, John, Bryce, Clare, Purohit, Dushyant, Haroutunian, Vahram, McKee, Ann C ., Stein, Thor D., White III, Charles L., Walker, Jamie, Richardson, Timothy E., Hanson, Russell, Donovan, Michael J., Cordon-Cardo, Carlos, Zeineh, Jack, Fernandez, Gerardo, Crary , John F .. “Künstliche Intelligenz in der Neuropathologie: tiefe lernbasierte Bewertung der Tauopathie.” Laboruntersuchung. 15. Februar 2019.

Irwin, David. “Tauopathien als klinisch-pathologische Entitäten”. Parkinsonismus-bezogene Störungen. 22. Januar 2016.

Das Mount Sinai Hospital / Mount Sinai School of Medicine (2. Oktober 2018). „Der Pathologietest verwendet eine KI, um das Fortschreiten des Prostatakrebses nach einer Operation vorherzusagen.“ Abgerufen 3-7-2019 von https://www.eurekalert.org/pub_releases/2018-10/tmsh-ptu100218.php