Um Den Wert Klinischer MRT-Daten Zu Maximieren, Schlug Das UCL-Team Das MindGlide-Modell Zur Quantifizierung Von Multiple-Sklerose-Läsionen Vor

Multiple Sklerose (MS) ist eine chronische, zu Behinderungen führende Krankheit, die durch entzündliche demyelinisierende Läsionen in der weißen Substanz des zentralen Nervensystems gekennzeichnet ist. Sie zielt vor allem auf junge Menschen und Menschen mittleren Alters ab und wird deshalb auch als „unsichtbarer Killer junger Menschen“ bezeichnet. Weltweit sind entsprechenden Statistiken zufolge mehr als 2,8 Millionen Menschen betroffen. In Asien leiden etwa 1 bis 5 von 100.000 Menschen an MS, und in China ist die Krankheit nach Traumata die zweithäufigste Ursache für Behinderungen bei jungen und mittelalten Menschen. Im Jahr 2018 nahm China die Krankheit in die „Erste Liste seltener Krankheiten“ auf.

Biomarker aus der Magnetresonanztomographie (MRT) des Gehirns sind für die klinische Behandlung und Erforschung von MS von entscheidender Bedeutung, beispielsweise durch die Verwendung von MRT-Scans mit mehreren Kontrasten zur Erfassung der Krankheitsentwicklung. Allerdings sind für mehrere Kontraste verschiedene Arten von Spezial-Scangeräten erforderlich, was zeitaufwändig, arbeitsintensiv und teuer ist und in vielen Krankenhäusern nicht die Voraussetzungen dafür vorhanden sind. Der Schlüssel zur Lösung des Problems liegt daher in der Vereinfachung der MRT-Analyse, insbesondere durch die Berechnung des Gehirnvolumens mit einem einzigen Kontrastmittel. Dadurch kann nicht nur die Notwendigkeit der Erfassung mehrerer Kontrastmittel verringert, sondern auch die Kosten klinischer Studien gesenkt werden.

Auf dieser Grundlage entwickelte ein Forschungsteam des University College London ein Tool namens MindGlide.Aus den MRT-Aufnahmen, die bei der Behandlung von MS-Patienten gemacht werden, können wichtige Informationen gewonnen werden.Beispielsweise subtile Veränderungen wie geschädigte Hirnareale, Hirnatrophie und Plaques. MindGlide zeigt, dass herkömmlichen MRT-Scans der ideale Bildkontrast fehlt.Es besteht immer noch die Möglichkeit, neue Läsionen und subtile Hirngewebeschäden zu entdecken.Darüber hinaus soll es dem medizinischen Personal dabei helfen, die Wirkung der Behandlung bei MS-Patienten besser zu interpretieren und zu bewerten.

Die entsprechende Forschungsarbeit wurde in Nature Communications unter dem Titel „Enabling new insights from old scans by repurposing clinical MRI archives for multiple sclerosis research“ veröffentlicht.

Forschungshighlights:

*Ermöglicht die Extraktion mehrerer klinisch relevanter MRT-Biomarker aus einem einzigen MRT-Kontrastmittel. MindGlide übertrifft den Stand der Technik in mehreren Schlüsselbereichen.

* Eine klinisch bedeutsame Gewebesegmentierung und Läsionsquantifizierung kann selbst mit begrenzten MRT-Daten und einzelnen Kontrastmitteln erreicht werden, die normalerweise nicht für diese Aufgaben verwendet werden

Papieradresse:
https://go.hyper.ai/fDEgm

Das Open-Source-Projekt „awesome-ai4s“ vereint mehr als 100 AI4S-Papierinterpretationen und stellt außerdem umfangreiche Datensätze und Tools bereit:

https://github.com/hyperai/awesome-ai4s

Datensatz: Alle Daten werden von MS-Patienten erhoben

Um die Zuverlässigkeit und Gültigkeit des Modells zu überprüfen, wurden in der Studie verschiedene Trainingsdatensätze und externe Validierungsdatensätze verwendet. Die Daten stammten ausschließlich von MS-Patienten.Die Studie wurde von der Datenbank der International Progressive MS Alliance des Montreal Neurological Institute unterstützt.Relevante Trainingsdaten wurden hauptsächlich aus der MS-stat-Studie, der ORATORIO-Studie sowie aus Routinedatensätzen von pädiatrischen Patienten mit schubförmig remittierender MS extrahiert, die aus drei Krankenhäusern im Vereinigten Königreich bezogen wurden, sowie aus zwei Open-Source-Datensätzen zur Läsionssegmentierung (MS-30 und ISBI).

*MindGlide verarbeitet MRTs, einschließlich 2D- und 3D-Scans, mit MRT-Kontrast und zugehörigen Gewebeintensitäten (T1-gewichtet, TI-gewichtet, Protonendichte (PD) und T2-Fluid Attenuated Inversion Recovery (FLAIR)), die üblicherweise in Krankenhausarchiven verwendet werden.

Während der ModelltrainingsphaseDie Forscher trainierten MindGlide mit einem Datensatz von 8.550 realen und synthetischen Bildern.Darunter wurden insgesamt 4.247 echte MRT-Scan-Bilder (darunter 2.092 TI-gewichtete und 2.155 FLAIR-Bilder) von 2.871 Patienten (darunter 1.082 Patienten mit schubförmig remittierender MS (RRMS), 1.453 Patienten mit sekundär progredienter MS (SPMS) und 336 Patienten mit primär progredienter MS (PPMS)) gesammelt.Die Scans wurden mit 592 professionellen MRT-Scannern bei Magnetfeldern von 1,5 und 3 Tesla durchgeführt.Um das Training zu erweitern, erstellten die Forscher anschließend weitere 4.303 synthetische Scans.

Während der Modellvalidierungsphase verwendeten die Forscher einen externen Validierungssatz.MindGlide wurde für den universellen Einsatz in einer Altersgruppe von 14 bis 64 Jahren getestet, darunter in zwei klinischen Studien zu progressiver MS und einer realen Gruppe pädiatrischer Patienten mit schubförmig remittierender MS.Der externe Validierungsdatensatz umfasste 1.001 Patienten (699 in der PPMS-Studie, 141 in der SPMS-Studie und 161 in der RRMS-Studie), die von 186 MRT-Scannern gewonnen wurden.

In,Der PPMS-Datensatz umfasst 11.015 MRT-Scans(2.756 TI-gewichtet, 2.754 T2-gewichtet, 2.749 FLAIR, 2.756 PD), alle Scheiben waren 3 mm dick (1 mm x 1 mm x 3 mm);Der SPMS-Datensatz umfasst 763 Scans(378 TI-gewichtet, 385 T2-gewichtet), mit unterschiedlichen Schichtdicken (1 mm x 1 mm x 1 mm für T1-gewichtet; 3 mm x 1 mm x 1 mm für T2-gewichtet);Der pädiatrische RRMS-Datensatz umfasst 1.478 Scans(523 T1-gewichtet, 475 T2-gewichtet, 480 FLAIR), einschließlich unterschiedlicher Schichtdicken.

Modellarchitektur: ein effizientes 3D-Convolutional-Neural-Network

MindGlide basiert auf „nnU-Net“, einem 3D-Convolutional Neural Network (CNN) basierend auf der U-Net-Architektur.Es verfügt über die Fähigkeit zur automatischen Selbstkonfiguration und umgeht so den teuren Prozess der Hyperparameter-Optimierung. Durch Training kann MindGlide gleichzeitig graue Substanz und weiße Substanzbereiche des Gehirns sowie MS-Läsionen segmentieren und sich so an echte MRT-Veränderungen anpassen und Artefaktprobleme in herkömmlicher Bildverarbeitungssoftware lösen. Die Gesamtarchitektur und -strategie sind in der folgenden Abbildung dargestellt.

Zur Bildvorverarbeitung für das Modelltraining verwendeten die Forscher eine minimale Vorverarbeitungspipeline, die zunächst die Bildauflösung auf 1 mm große isotrope Voxel normalisierte und dann gemäß nnU-Net entwarf. Anschließend extrahierten die Forscher mithilfe einer Sliding-Window-Technik 128 x 128 x 64 Voxel-Patches, um den Speicher und die Rechenleistung während des Trainings zu optimieren.

Bei der Datenerweiterung geht es hauptsächlich darum, die Vielfalt der Trainingsdaten durch zufällige Modifikationen künstlich zu erweitern, die Generalisierbarkeit des Modells zu verbessern und Überanpassung zu reduzieren.Um die Anpassungsfähigkeit zu erweitern, verwendeten die Forscher zwei Techniken: die Verzerrung der Geometrie und Bildintensität realer Scans und die Generierung synthetischer Scans.Wie in Abb. (a) gezeigt, wird die Domänenrandomisierung verwendet, um Intensitätsvariationen zu erzeugen und Modelle für verschiedene MRT-Kontraste vorzubereiten.

Die synthetischen Daten wurden mit SynthSeg Version 2.0 generiert, und die Forscher verwendeten MONAI Version 1.2.0 zur Verbesserung während des Trainings und generierten dann synthetische Scans mit unterschiedlichen Kontrasten direkt aus den Beschriftungen des Trainingsdatensatzes. Abbildung (a) zeigt ein Beispiel für generierte synthetische Daten und Abbildung (b) zeigt das Training von MindGlide mit realen Daten und erweiterten Daten.

In entsprechenden Berichten verwendeten die Medien intuitive Daten, um die Fähigkeiten dieses Modells zu demonstrieren. Es wurde erwähnt, dassKomplexe Scans, deren manuelle Interpretation Neuroradiologen früher wochenlang in Anspruch nahm, dauern mit MindGlide jetzt nur noch 5 bis 10 Sekunden pro Bild.Dadurch können bisher nicht analysierbare Bilder und routinemäßige MRT-Scans aussagekräftiger gemacht werden. Dies bietet eine zuverlässigere Grundlage für die Prüfung der Auswirkungen verschiedener Behandlungen auf den Krankheitsverlauf in klinischen Studien und der Routineversorgung.

Experimentelle Ergebnisse: Mehrdimensionaler Vergleich zeigt die Überlegenheit von MindGlide

Um den Verifizierungseffekt von MindGlide zu bewerten, verglichen die Forscher es mit den bestehenden hochmodernen Technologien, nämlich WMH-SynthSeg und SAMSEG.Ersteres kann gleichzeitig hohe Signale der weißen Substanz und anatomische Gehirnstrukturen aus Scans mit unterschiedlichen Auflösungen und Kontrasten segmentieren, während Letzteres Läsionen und Gehirnstrukturen unter verschiedenen MRT-Kontrasten robust segmentieren kann.

Zunächst wurde im Experiment die Konsistenz der drei mit der von menschlichen Experten angegebenen Läsionssegmentierung und Behinderung verglichen, wie in der folgenden Abbildung dargestellt. Die Übereinstimmung zwischen MindGlide und manuell markierten echten Läsionen war höher.Der mittlere Dice-Score lag bei 0,606, der von SAMSEG bei 0,504 und der von WMH-Synthseg bei 0,385.

Zusätzlich,Im PPMS-Datensatz ist die Korrelation zwischen der von MindGlide abgeleiteten Läsionslast und dem numerischen Wert der Expanded Disability Status Scale (EDSS) ebenfalls höher als bei bestehenden Technologien.

Anschließend führten die Forscher eine Längsschnittvalidierung der Behandlungswirkung der Läsionen durch, die mehrere Experimente umfasste und die Wirksamkeit von MindGlide bei der Erkennung von Behandlungseffekten zeigte. Beispielsweise war in den SPMS- und PPMS-Studien das kumulative Läsionsvolumen in der Behandlungsgruppe geringer als in der Placebogruppe. In der pädiatrischen Kohorte konnte MindGlide erfolgreich unterschiedliche Veränderungen des Läsionsvolumens in verschiedenen Behandlungsgruppen erkennen, wie in der folgenden Abbildung dargestellt.

Bei der Prüfung der Auswirkungen der Behandlung auf den Verlust von Hirngewebe,MindGlide zeigte, dass die Rate des kortikalen GM-Volumenverlusts in der Behandlungsgruppe signifikant niedriger war als in der Placebogruppe.Die folgende Abbildung zeigt verschiedene kontrastierende Segmentierungsbeispiele.

Anschließend verglichen die Forscher in einer klinischen PPMS-Studie die Behandlungseffekte von MindGlide mit anderen Segmentierungstools und echten Läsionen.Die experimentellen Ergebnisse zeigen, dass MindGlide der tatsächlichen Wahrheit sehr nahe kommt. Im Gegensatz dazu überschätzt SAMSEG den Behandlungseffekt, während WHM-Synthseg den Behandlungseffekt unterschätzt, was darauf hindeutet, dass MindGlide eine höhere Genauigkeit bei der Schätzung des Läsionsvolumens aufweist.

Die folgende Abbildung zeigt die drei Beurteilungen des regionalen Gehirnvolumens.Die Ergebnisse zeigten, dass MindGlide-Messungen bessere Behandlungseffekte zwischen den Behandlungsgruppen zeigten als Messungen, die aus longitudinalen SAMSEG- oder WHM-Synthseg-Messungen gewonnen wurden.

Darüber hinaus untersuchten die Forscher in einem klinischen Routinedatensatz WMH-Synthseg und MindGlide visuell und stellten fest, dass ersteres eine erhebliche Ausfallrate aufwies, insbesondere wenn die Scandicke 5 mm überschritt.Bei 65 der 433 visuell ausgewerteten Kontraste scheiterte WMH-Synthseg bei der Segmentierung, MindGlide hingegen nur bei 6.Das Beispiel ist unten dargestellt.

Abbildung (b) zeigt unter anderem einen 7 mm dicken Schnitt im Routine Care Clinical Dataset (RRMS), bei dem die WMH-Synthseg-Segmentierung fehlschlägt. Dies liegt daran, dass die meisten Segmentierungstools für die Verwendung von oberen oder unteren Aufnahmeausrichtungen konzipiert sind, während MindGlide die Segmentierung von Bildern ermöglicht, die in jeder beliebigen Ausrichtung aufgenommen wurden.

insgesamt,MindGlide ist bestehenden Methoden in vielen Aspekten überlegen und kann mehrere Biomarker aus einem einzigen MRT-Kontrast extrahieren, wodurch der Behandlungseffekt effektiv überwacht werden kann und es für eine Vielzahl klinischer Szenarien geeignet ist.Bieten Sie starke Unterstützung für die MS-Forschung und klinische Entscheidungsfindung.

KI ist zu einem wichtigen Instrument in der MS-Forschung geworden

In den letzten Jahren hat die rasante Entwicklung der künstlichen Intelligenz ihre Anwendung bei neurologischen Erkrankungen beschleunigt und aufgrund ihres einzigartigen Arbeitsmechanismus und ihrer effizienten Methoden der medizinischen Gemeinschaft neue Ideen für die MS-Forschung mithilfe künstlicher Intelligenz geliefert. Zufällig versuchen viele Labore, mithilfe künstlicher Intelligenz MS zu besiegen, ein großes Problem, das die menschliche Gesundheit bedroht.

So veröffentlichte beispielsweise die Forschungsgruppe von Professor Fang Liu von der Universität Toronto einen Artikel in Science Advances mit dem Titel „Small-molecule targeting AMPA-mediated excitotoxicity has therapeutic effects in mouse models for multiple sclerosis“ (Kleine Moleküle, die auf AMPA-vermittelte Exzitotoxizität abzielen, haben therapeutische Effekte in Mausmodellen für Multiple Sklerose). Diese Studie überwand die traditionellen theoretischen Standpunkte und entwickelte eine bahnbrechende kleine Molekülverbindung.Es wirkt, indem es auf einen neuartigen Mechanismus zur Regulierung der AMPA-Rezeptor-vermittelten Exzitotoxizität abzielt.In dieser Studie wurde künstliche Intelligenz eingesetzt, um kleine Moleküle virtuell zu screenen, die auf die GluA 2-Untereinheit des AMPA-Rezeptors abzielen. Damit wurde nicht nur eine Lücke in der internationalen Entwicklung solcher Medikamente geschlossen, sondern – noch wichtiger – eine völlig neue Idee für die Behandlung von MS geliefert.

Papieradresse:

https://www.science.org/doi/10.1126/sciadv.adj6187

Darüber hinaus wurde in einer in NeuroImage veröffentlichten Studie ein neues Open-Source-Tool zur gleichzeitigen Segmentierung von Läsionen der weißen Substanz und 41 neuroanatomischen Strukturen in MRT-Scans von MS-Patienten vorgeschlagen.Diese Methode basiert auf dem oben erwähnten generativen Modell SAMSEG und kann sich an verschiedene Scan- und Bildgebungsprotokolle anpassen und Atrophie ohne Vorsegmentierung von Läsionen beurteilen.Überwindet einige Einschränkungen vorhandener Tools. Der zugehörige Artikel wurde unter dem Titel „Eine kontrastadaptive Methode zur gleichzeitigen Segmentierung des gesamten Gehirns und von Läsionen bei Multipler Sklerose“ veröffentlicht.
Papieradresse:

https://www.sciencedirect.com/science/article/pii/S1053811920309563?via%3Dihub

All diese wissenschaftlichen und technologischen Errungenschaften und bahnbrechenden Entdeckungen zeigen den Wert künstlicher Intelligenz in der MS-Forschung. Auch wenn es noch ein weiter Weg ist, geben sie den Menschen Hoffnung. Dr. Philipp Goebl, der Erstautor des oben genannten Artikels, hofft, dass der Einsatz künstlicher Intelligenz zur Durchführung klinischer Studien zur Lösung der Leiden von Patienten in den nächsten fünf bis zehn Jahren Realität werden könnte.