Резюме. На основе применения магнитоэнцефалографии
Методы компьютерной диагностики и классификации
Компьютерная диагностика имеет решающее значение в улучшении стратегии лечения пациентов с неврологическими заболеваниями.Разработаны различные системы, позволяющие классифицировать физиологическую картину изменений, характерных для таких заболеваний, как эпилепсия, болезнь Альцгеймера, болезнь Паркинсона, рассеянный склероз, расстройства аутистического спектра. , опухоли головного мозга, расстройства, связанные с алкоголизмом и нарушениями снаПоследние достижения в идентификации характерных черт с использованием метода глубинного обучения позволяют классифицировать данные различных методов визуализации, в том числе на основе магнитно-резонансной томографии, при болезни Альцгеймера, опухолях головного мозга и легких в соотношении с клинической симптоматикой.Ожидается, что применение метода глубинного обучения обеспечит экстрагирование уникальных особенностей различных неврологических заболеваний и превзойдет возможности механической классификации массива данных.Кроме того, подобная система впоследствии может сформировать базис для повышения эффективности лечения неврологических патологий за счет уменьшения нагрузки на врача и повышения точности диагностики, используя большой массив данных нейровизуализации, что нередко усложняет диагностический процесс, сопровождаясь ошибками.
Магнитоэнцефалография и электроэнцефалография - методы, необходимые в диагностике эпилепсии, а также полезные в комплексной характеристике различных неврологических заболеваний, в том числе болезней Паркинсона и Альцгеймера.Считается, что магнитоэнцефалография имеет высшее пространственное разрешение по сравнению с электроэнцефалографией, что позволяет осуществлять точный мониторинг активности коры головного мозга.Однако диагностика с применением магнитоэнцефалографии обременительна для клиницистов и требует определенного опыта, учитывая сложность предварительной обработки, необходимой для выделения кортикальных сигналов, и трудности в классификации различных паттернов сигналов.Учитывая указанное, отдельные ученые высказали мнение о том, что классификация сигналов магнитоэнцефалографии с применением методов глубинного обучения позволит снизить нагрузку на врачей и вместе с тем повысить точность неврологического диагноза.
Метод и глубинное обучение
В исследовании научными сотрудниками Высшей медицинской школы Университета Осаки (Osaka University Graduate School of Medicine), Япония, и Высшей школы информационных наук и технологий Токийского университета (Graduate School of Information Science and Technology, The University of Tokyo), Япония, было представлена новейшая разработка устройства MNet - глубинной нейронной сети, позволяющая дифференцировать неврологические заболевания на основе анализа сигналов магнитоэнцефалографии в состоянии покоя. Статья по материалам исследования опубликована в издании «Scientific Reports» 25 марта 2019.
В ходе работы для обучения и тестирования сети с применением перекрестной проверки был проведен анализ данных магнитоэнцефалографии 67 здоровых лиц (35 женщин и 32 мужчины в возрасте 21–86 лет, средний возраст — около 60 лет), 26 пациентов с травмой спинного мозга (3 женщины и 23 мужчины, средний возраст - 34,5 года, диапазон - 22-61 год) и 140 пациентов с эпилепсией (72 женщины и 68 мужчин, средний возраст 26,5 года, диапазон - 7-71 год) ). В качестве ориентир исследователями были выбраны изменения, характерные для эпилепсии, учитывая, что большинство предыдущих исследований было основано на идентификации особенностей этой патологии на основе данных электроэнцефалографии. Для сравнения точности нового способа классификации с предварительными исследованиями на основе электроэнцефалографии ученые опирались только на характеристики сигналов магнитоэнцефалографии у пациентов с подтвержденным диагнозом эпилепсии. Таким образом, была оценена точность классификации на основе MNet в группах пациентов и контрольной группе, а для сравнения также была проведена классификация полученных данных, используя метод опорных векторов (support vector machine — SVM).
Результаты и комментарии
Применение технологии MNet в сочетании с методом глубинного обучения позволило классифицировать лиц контрольной группы и пациентов с указанными неврологическими заболеваниями с точностью 70,7±10,6%, что существенно превысило точность 63,4±12,7%, рассчитанную по относительной мощности шести частотных характеристик (δ: 1–4 Гц; θ: 4–8 гц; низкий-α: 8–10 Гц; высокий-α: 10–13 Гц β: 13–30 Гц; низкий-γ: 30–50 Гц) для каждого канала с использованием метода опорных векторов SVM в качестве модели классификатора (p=4,2• 10−2).
>
По результатам анализа ученые пришли к выводу, что метод MNet превосходит возможности технологииSVM по точности классификации массива данных за счет масштабного скрининга глобальных признаков необработанных сигналов. В заключение исследователи акцентировали внимание на том, что представленный метод может быть полезен для будущей разработки классификатора, который позволит улучшить качество и повысить специфичность диагностики неврологических расстройств.
Присоединяйтесь к нам в Viber-сообществе, Telegram-канале, Instagram, на странице Facebook, а также Twitter, чтобы первыми получать самые свежие и актуальные новости из мира медицины.
- Aoe J., Fukuma R., Yanagisawa T. et al. (2019) Automatic diagnosis neurological diseases using MEG signals with deep neural network. Sci. Rep., мар. 25. DOI: 10.1038/s41598-019-41500-x.
Наталья Савельева-Кулик