Máte
nápad?

Pomôžeme vám!

Chcem pomoc

Chcem
mentora

Kliknite sem

Domov

Vitajte na informačnom portáli
o Európskom výskumnom priestore (ERA)

Výskum EPFL vo Švajčiarsku: Strojové učenie zlepšuje predikciu zotavenia po mozgovej príhode

ERA Aktualita

Dr Philip Koch and Professor Friedhelm Hummel performing an MRI. Credit: F. Hummel (EPFL)

Medzinárodný tím vedcov vo Švajčiarsku pod vedením École polytechnique fédérale de Lausanne (EPFL) vyvinul systém, ktorý kombinuje informácie z mozgového konektómu – „prepojenia“ medzi neurónmi – a strojového učenia s cieľom vyhodnotiť a predpovedať výsledok obetí mozgovej príhody.

Keď je prietok krvi do mozgu nejako znížený alebo obmedzený, človek môže utrpieť to, čo poznáme ako mŕtvica (v lekárskom žargóne „ischemická mŕtvica“). Mŕtvica je jednou z tých podmienok, ktoré sa javia ako celkom bežné. Nejde o mylnú predstavu: iba v Európe sa každý rok vyskytne viac ako 1,5-milióna nových prípadov.

Niektoré údery môžu byť smrteľné, a ak nie, často vedú k vážnemu poškodeniu schopnosti obete pohybovať sa. Mŕtvica je v skutočnosti jednou z hlavných príčin dlhodobého zdravotného postihnutia v súčasnosti. Obnova po mŕtvici môže byť dlhá a náročná cesta. Aj v Európe sa opäť nedosiahne úplné uzdravenie u menej ako 15 % pacientov, čo zanecháva 3,7-milióna pacientov s pretrvávajúcimi poruchami. Je zrejmé, že ide o zdravotný problém, ktorý je potrebné urgentne vyriešiť.

Rehabilitácia je však zložitý problém, ktorý sa musí vyriešiť. Mŕtvica sa môže vyskytnúť v rôznych častiach mozgu, čo ovplyvňuje rôzne mozgové systémy, a pacienti, ktorí podstúpia rehabilitáciu, vykazujú „heterogenitu výsledku“, čo je medicínsky spôsob, ako povedať, že medzi jednotlivými obeťami mŕtvice môže byť zotavenie veľmi odlišné.

Ako uviedol profesor Friedhelm Hummel, neurovedec a riaditeľ katedry Defitech pre klinický neuroinžiniering na škole biologických vied EPFL: „Kľúčom je nájsť optimálnu neurorehabilitačnú stratégiu na maximalizáciu individuálneho výsledku liečby.“ Ako dodal Dr. Philipp J. Koch, prvý autor štúdie: „Ak sa chceme týmito výzvami zaoberať v každodennej klinickej praxi, musíme najskôr zvýšiť našu schopnosť predpovedať jednotlivé smery zotavenia.“

Hummel teraz viedol medzinárodný tím vedcov k novému prístupu k predikcii výsledkov, ktorý môže výrazne zlepšiť liečbu mŕtvice. Publikovaním v odbornom časopise Brain demonštrujú prediktívnu metódu založenú na dvoch výkonných a najmodernejších nástrojoch: konektómy a strojové učenie.

Tím tvorili vedci z lekárskej fakulty Sungkyunkwan University (profesor Y.-H. Kim), University Medical School v Ženeve (profesor A. Guggisberg), Inserm Paris (profesor C. Rosso), Santa Lucia Foundation IRCCS, Rím (profesor G Koch) a EPFL (profesor Thiran).

Čo je to konektóm? Jednoducho povedané, je to mapa mozgových rozvodov. Samotný termín vytvorili nezávisle v roku 2005 dvaja vedci (jeden z Lausanne’s University Hospital), aby opísali „plán“ toho, ako sa neuróny mozgu navzájom spájajú, čím evokujú koncept genómu – teda „konektómu“.

Konektómy sú generované analýzou viacerých snímok získaných zo zobrazovania magnetickou rezonanciou a neinvazívnou a in vivo rekonštrukciou štruktúrneho alebo funkčného vedenia mozgu. V dnešnej dobe sú konektómy nepostrádateľným nástrojom pre neurovedcov, najmä keď chcú interpretovať štrukturálne alebo dynamické údaje o mozgu a spájať ich s funkciami, funkčnými deficitmi alebo procesmi zotavenia. Stručne povedané, spojovací článok ukazuje, ako je mozog prepojený s ovládaním tela a jeho funkcií, čo ich robí dôležitými pre vypracovanie najlepšieho spôsobu obnovy obete mozgovej príhody.

V štúdii Hummelova skupina analyzovala konektómy 92 pacientov dva týždne po mŕtvici, sledovala zmeny konektómu až o tri mesiace neskôr a pri hodnotení motorickej poruchy štandardizovanou stupnicou. To im umožnilo sledovať zmeny spojenia v jednotlivých mozgoch pacientov, kým sa zotavili.

Vedci vkladajú informácie o konektóme do „podporného vektorového stroja“ alebo SVM (support-vector machines), čo je typ modelu strojového učenia, ktorý pomocou príkladov mapuje vstup na výstup. SVM sú obzvlášť užitočné pri klasifikácii, keď rozlišujú veci a vhodne ich kategorizujú, napr. spam a nevyžiadaná pošta.

V tejto štúdii vedci trénovali SVM, aby rozlišovali medzi pacientmi s prirodzeným zotavením od pacientov bez toho, aby boli založené na ich celotelových štruktúrnych spojoch. SVM potom definovali základný vzorec mozgovej siete každého pacienta so zameraním na tých, ktorí boli vážne poškodení, aby mohli predpovedať svoj potenciál obnovy, s presnosťou každej predikcie interne aj externe overenou pomocou nezávislých súborov údajov.

Výsledkom je špičkový nástroj personalizovanej medicíny: systém strojového učenia, ktorý dokáže identifikovať vzorce neurónových sietí a robiť vysoko presné predpovede o výsledku zotavenia u pacientov s mozgovou príhodou. Ako ďalej dodal Hummel: „Tento nástroj môže čoskoro podporiť predikciu jednotlivých smerov zotavenia a bude mať významný vplyv na klinický manažment, translačný výskum a výber liečby.“

Viac informácií:

Machine-learning improves the prediction of stroke recovery

Tento obrázok nemá vyplnený ALT popisok, jeho názov je 66c011b0.jpg

Zdroj: https://sciencebusiness.net; https://actu.epfl.ch, zverejnené: 14. 7. 2021, autor: rpa