Studie: kunstmatige intelligentie kan de MRI-detectie van ADHD verbeteren
14 januari 2020
Kunstmatige intelligentie kan de nauwkeurigheid van neurale modellen met behulp van MRI-hersenscans aanzienlijk verbeteren om aandachtstekortstoornis met hyperactiviteit (ADHD) te detecteren, volgens een studie die onlangs is gepubliceerd in Radiologie: kunstmatige intelligentie.1
De studie, uitgevoerd door onderzoekers uit Ohio Universiteit van Cincinnati en de Medisch ziekenhuis Cincinnati Kinderziekenhuis, concentreert zich op het opkomende idee van gebruik beeldvorming van de hersenen om tekenen van ADHD te detecteren bij patiënten. Momenteel is er geen enkele, definitieve test voor ADHD - de diagnose komt na een reeks symptoom- en gedragstests.
Onderzoek suggereert echter dat ADHD kan mogelijk worden gedetecteerd door het connectoom te bestuderen - een kaart van de neurale verbindingen van de hersenen die zijn opgebouwd door gelaagdheid van MRI-scans van de hersenen, bekend als parcellaties. Sommige studies suggereren dat een verstoord of onderbroken connectoom gekoppeld is aan ADHD.
Het meeste onderzoek tot nu toe betrof het "single-channel deep neural network" (scDNN) -model, waarbij kunstmatige intelligentie een computer helpt om connectomen te bouwen op basis van één pakket. In deze studie ontwikkelden wetenschappers een "multichannel diep neuraal netwerkmodel" of mcDNN, waarbij connectomen worden geconstrueerd op basis van meerdere parcellaties. Deze multi-schaal parcellaties kwamen van hersengegevenssets van 973 deelnemers.
Het model was ook geprogrammeerd om patronen in de multi-schaal connectomes te analyseren en te detecteren om ADHD te detecteren en de meest voorspellende hersenverbindingsfuncties te identificeren voor ADHD-diagnose. De resultaten toonden aan dat ADHD-detectieprestaties "aanzienlijk" verbeterden met het mcDNN-model ten opzichte van het scDNN-alternatief.
"Onze resultaten benadrukken de voorspellende kracht van de hersenen connectome," zei senior auteur Lili Hij tegen de Radiological Society of North America2. "Het geconstrueerde hersenfunctionele connectoom dat meerdere schalen beslaat, biedt aanvullende informatie voor het weergeven van netwerken in de hele hersenen."
De studie opent de deuren voor beeldvorming van de hersenen en diepe neurale netwerken, of diep leren, om te helpen bij het detecteren van andere aandoeningen. "Dit model kan worden gegeneraliseerd naar andere neurologische tekortkomingen," zei hij en merkte op dat dit mcDNN-model al bestaat gebruikt om cognitieve deficiëntie bij premature baby's te voorspellen, bijvoorbeeld om neurologische ontwikkelingsresultaten op leeftijd te voorspellen twee.
bronnen
1 Chen, M., Li, H., Wang, J., Dillman, J. R., Parikh, N. A., & He, L. (2019). Een multikanaals diep neuraal netwerkmodel Analyse van multischaal functionele hersenen Connectome-gegevens voor aandachtstekort Detectie van hyperactiviteitstoornis. Radiology: Artificial Intelligence, 2 (1), e190012. https://doi.org/10.1148/ryai.2019190012
2 Kunstmatige intelligentie verhoogt de MRI-detectie van ADHD. (2019, 11 december). 2020, 13 januari opgehaald van https://www.rsna.org/en/news/2019/November-December/AI-MRI-For-ADHD
Bijgewerkt op 14 januari 2020
Sinds 1998 vertrouwen miljoenen ouders en volwassenen op de deskundige begeleiding en ondersteuning van ADDitude om beter te leven met ADHD en de bijbehorende geestelijke gezondheidsproblemen. Onze missie is om uw vertrouwde adviseur te zijn, een niet-aflatende bron van begrip en begeleiding op weg naar welzijn.
Ontvang een gratis nummer en gratis ADDitude eBook, plus bespaar 42% op de dekkingsprijs.
