Исследователи из Калифорнийского университета в Дэвисе и Калифорнийском университете в Сан-Франциско нашли способ научить компьютер точно определять один из признаков болезни Альцгеймера в тканях человеческого мозга, что является доказательством концепции машинного обучения для распознавания критических маркеров болезни.
Амилоидные бляшки – это скопления белковых фрагментов в мозгу людей с болезнью Альцгеймера, которые разрушают связи нервных клеток. Подобно тому, как Facebook распознает лица на основе захваченных изображений, инструмент машинного обучения, разработанный группой ученых Калифорнийского университета, может "видеть" если образец ткани головного мозга имеет тот или иной тип амилоидных бляшек, и сделать это очень быстро.
Результаты, опубликованные 15 мая в Nature Communications, предполагают, что машинное обучение может расширить опыт и анализ экспертного невропатолога. Этот инструмент позволяет им анализировать в тысячи раз больше данных и задавать новые вопросы, которые были бы невозможны при ограниченных возможностях обработки данных даже у самых высококвалифицированных экспертов-людей.
"Нам все еще нужен патологоанатом," сказала Бриттани Н. Даггер, к.D., доцент кафедры патологии и лабораторной медицины Калифорнийского университета в Дэвисе и ведущий автор исследования. "Это инструмент, как клавиатура для письма. Клавиатуры помогают в написании рабочих процессов, а цифровая патология в сочетании с машинным обучением может помочь в рабочих процессах невропатологии."
В этом исследовании она сотрудничала с Майклом Дж. Кейзер, к.D., доцентом Института нейродегенеративных заболеваний и Департамента фармацевтической химии UCSF, чтобы определить, могут ли они научить компьютер автоматизировать трудоемкий процесс идентификации и анализа крошечных амилоидных бляшек различных типов в больших срезах вскрытой ткани мозга человека. Для этой работы Кейзер и его команда разработали "сверточная нейронная сеть" (CNN), компьютерная программа, предназначенная для распознавания шаблонов на основе тысяч примеров, помеченных людьми.
Чтобы создать достаточно обучающих примеров, чтобы научить алгоритм CNN тому, как Даггер анализирует ткань мозга, команда UCSF работала с ней, чтобы разработать метод, который позволил бы ей быстро аннотировать или маркировать десятки тысяч изображений из коллекции полмиллиона изображений крупным планом. ткань из 43 образцов здорового и больного мозга.
Как компьютерная служба знакомств, которая позволяет пользователям проводить пальцем влево или вправо, чтобы пометить чью-то фотографию "горячий" или "нет," они разработали веб-платформу, которая позволила Даггер по очереди смотреть на сильно увеличенные области потенциальных бляшек и быстро маркировать то, что она там видела. Этот инструмент цифровой патологии, который исследователи назвали "капля или нет"- разрешено Dugger аннотировать более 70 000 "капли," или кандидатов на бляшки, со скоростью около 2000 изображений в час.
Команда UCSF использовала эту базу данных из десятков тысяч помеченных примеров изображений для обучения своего алгоритма машинного обучения CNN для выявления различных типов изменений мозга, наблюдаемых при болезни Альцгеймера. Это включает в себя различение так называемых сердцевинных и диффузных бляшек и выявление аномалий в кровеносных сосудах. Исследователи показали, что их алгоритм может обработать слайд целого мозга с 98.Точность 7%, скорость ограничена только количеством используемых компьютерных процессоров. (В текущем исследовании они использовали одну видеокарту, как у домашних геймеров.)
Затем команда провела тщательные тесты идентификационных навыков компьютера, чтобы убедиться, что его анализ биологически достоверен.
"Общеизвестно, что трудно понять, что на самом деле делает алгоритм машинного обучения под капотом, но мы можем открыть черный ящик и попросить его показать нам, почему он сделал свои прогнозы," Кейзер объяснил.
Кейзер подчеркнул, что инструмент машинного обучения не лучше распознает бляшки, чем Даггер, невропатолог, который обучил компьютер их обнаружению.
"Но он неутомим и масштабируем," он сказал. "Это второй пилот, множитель силы, который расширяет возможности того, что мы можем сделать, и позволяет нам задавать вопросы, которые мы никогда бы не попробовали вручную. Например, мы можем искать редкие бляшки в неожиданных местах, которые могут дать нам важные подсказки о течении болезни.
Чтобы способствовать использованию инструмента, исследователи сделали его и данные исследования общедоступными в Интернете. Это уже привело к взаимодействию с другими исследователями, которые оценивали данные и алгоритмы в своих собственных лабораториях. В будущем исследователи надеются, что такие алгоритмы станут стандартной частью исследований в области невропатологии, обученные помогать ученым анализировать огромные объемы данных, неустанно выявляя закономерности, которые могут открыть новые представления о причинах и потенциальных методах лечения болезни.
"Если мы сможем лучше охарактеризовать то, что наблюдаем, это могло бы дать более глубокое понимание разнообразия деменции," Даггер сказал. "Это открывает дверь в точную медицину при деменции."
Она добавила, "Эти проекты являются феноменальными примерами междисциплинарной переводческой науки; невропатологи, статистик, клиницист и инженеры собираются вместе, формируют диалог и вместе работают над решением проблемы."