Ein team aus Forschern der Osaka Universität und Der Universität von Tokio entwickelt, MNet, eine automatische Diagnose-system für neurologische Erkrankungen mit magnetoenzephalographie (MEG) , zeigt die Möglichkeit der Herstellung von automatischen neurologische Erkrankung, Diagnosen mit MEG. Ihre Forschungsergebnisse erschienen in Scientific Reports.
MEG und Elektroenzephalografie (EEG) sind essentiell für die Diagnose von neurologischen Erkrankungen wie Epilepsie. MEG ermöglicht für den Erwerb von detaillierten zeitlich-räumlichen Muster des menschlichen Gehirns Aktivität durch Messung der Elektro-magnetischen Feldes im Zusammenhang mit neuronaler Aktivität, extrahieren detaillierte Zeit-Serie Signale aus 160 sensoren. Obwohl die Informationen, die von diesen tests ist wichtig für die Diagnose, Zeit und know-how sind notwendig für Lesen und zu analysieren, und abnormale Wellenform-Muster, die vermisst werden könnte.
Deep Neural Network (DNN), auch bekannt als deep learning ist eine Teilmenge des maschinellen Lernens, der künstlichen Intelligenz (KI) und hat seine Aufmerksamkeit in den letzten Jahren als ein Mittel zum klassifizieren von Daten auf verschiedene Bilder, videos und sounds bei einer hohen Genauigkeit durch ein machine-learning-Prozess mit big data.
Die AI-powered automatische Klassifizierungssystem von MNet, was nutzt DNN als computational framework, basiert auf einem neuronalen Netzwerk namens EnvNet (Ende-zu-Ende-convolutional neural network for environmental sound-Klassifikation) und können ausgebildet werden, zu extrahieren und zu lernen, Merkmale von Neuro-Imaging-Signale eindeutig zu verschiedenen neurologischen Krankheiten, von der eine enorme Menge an Zeit-Serie Neuro-Imaging-Daten.
Das team erwartet, dass die Verwendung von DNN würde es erlauben, das system zu lernen, die Eigenschaften von neurologischen Krankheiten, von der viele Signale und klassifizieren von Patienten mit neurologischen Erkrankungen genauer als konventionelle Methoden wie die Verwendung von Wellenformen.
Mit MNet, versuchten Sie zu klassifizieren, Neuro-Bildgebungs-Datenbank big data auf 140 Patienten mit Epilepsie, 26 Patienten mit Verletzungen des Rückenmarks, und 67 gesunden Probanden. Der Gelernte MNet gelang es bei der Klassifikation von gesunden Probanden und Personen mit den beiden neurologischen Erkrankungen, die mit einer Genauigkeit von über 70% und Patienten mit Epilepsie und gesunden Probanden mit einer Genauigkeit von fast 90%. Die klassifikationsgenauigkeit deutlich höher war als die, die durch eine support-vector-machine (SVM), einer herkömmlichen Allgemeinen machine learning-Methode, basierend auf den waveforms (relative band Befugnisse des EEG-Signals). Sich vorwärts zu bewegen, diese Technik wird verwendet für die Diagnose von verschiedenen neurologischen Erkrankungen, der Beurteilung von Schweregrad, Prognose und Wirksamkeit der Behandlung.
„Machine learning ist ständig weiter, mit neuen Techniken entwickelt. Doch egal, wie viel analytische Methoden Voraus, wenn die Qualität der zugrunde liegenden Daten ist schlecht, eine scharfe Grenze kann nicht gezogen werden. Wir führten den Prozess des maschinellen Lernens, durch die Nutzung der DNN, die verarbeitet big data, die hauptsächlich von der Osaka University Hospital Epilepsie-Zentrum. Wir möchten, erhöhen Sie die Anzahl und die Arten der Krankheiten diagnostiziert werden, ohne Abstriche bei der Qualität der Daten, so dass unsere Technik wird hilfreich sein, in der klinischen Praxis“, sagt Forscher Jo Aoe von der Universität von Osaka.