С возрастом когнитивные способности человека снижаются. Нейробиологам давно известно, что это снижение коррелирует с физическими изменениями в головном мозге. Увидеть первые признаки старения или даже определить возраст мозга можно с помощью МРТ, а разница между возрастом мозга и хронологическим возрастом человека помогает выявить нейродегенеративные заболевания на начальных стадиях.

Такой анализ зачастую является очень долгим, поскольку данные МРТ нужно детально обработать, прежде чем запустить автоматизированные процессы распознавания старения: удалить с изображения кости черепа, разделить серое и белое вещество и другие ткани, а также удалить артефакты изображения, включая различные способы сглаживания изображения. Вся обработка может занять более 24 часов, и это препятствие для врачей, надеющихся принимать во внимание возраст головного мозга пациента в процессе клинической диагностики. Ученые из Королевского колледжа в Лондоне нашли способ ускорить этот процесс.

Джованни Монтана и его команда натренировали сверточную нейронную сеть (CNN) для измерения возраста мозга с использованием исходных данных из сканера МРТ. Методика глубинного обучения занимает всего несколько секунд и может дать врачам точное представление о возрасте мозга, пока пациент находится в сканере.

Метод является стандартной техникой глубинного обучения. Монтана и его команда использовали томограммы мозга более 2000 здоровых людей в возрасте от 18 до 90 лет. Ни у кого из них не было выявлено неврологических заболеваний, которые могли бы повлиять на их мозг. Поэтому возраст мозга должен соответствовать возрасту участников эксперимента в паспорте.

Каждый скан представляет собой Т-1 взвешенное изображение. На таком изображении жидкости в головном мозге проявляются более темным цветом, белое вещество светлым, серое вещество – серым, жир – ярким цветом. Такое сканирование обычно проводят для исследований грудной клетки, опорно-двигательного аппарата, брюшной полости и головного мозга.

Пример нейровизуализации входных данных для использования в моделях прогнозирования возраста. А — серое вещество в осевой проекции, В — белое вещество в осевой проекции, С — «сырые» или минимально обработанные Т1-взвешенные изображения.

На каждом снимке ученые отметили хронологический возраст пациента. Команда использовала 80% изображения для обучения сверточной нейронной сети, чтобы определить возраст человека, учитывая скан их мозга. Еще 200 изображений ушло на проверку работоспособности сети. Наконец, они испытали нейронную сеть на 200 изображениях, которые она еще не видела, чтобы определить, насколько хорошо она справляется с определением возраста мозга.

В то же время, команда сравнила результаты глубинного подхода с традиционным способом определения возраста мозга. Он требует значительной обработки изображения для идентификации, в том числе белого и серого вещества в мозге с последующим статистическим анализом – регрессии на основе гауссовских процессов.

Результаты оказались довольно интересными. И глубинное обучение, и статистический анализ точно определяют хронологический возраст пациентов при введении данных для анализа в препроцессированной форме. Оба метода так или иначе работают с погрешностью менее 5 лет при определении точного возраста головного мозга.

Точность CNN и регрессии на основе гауссовских процессов при анализе 200 изображений. Хронологический возраст (ось Х), предполагаемый возраст мозга (ось Y). А — результаты CNN, B — результаты регрессии на основе гауссовских процессов, С — результаты CNN при анализе необработанных Т1-взвешенных изображений. r — коэффициент корреляции возраста мозга и хронологического возраста со всех графиков.

Тем не менее, глубинное изучение демонстрирует свое явное превосходство при анализе исходных данных МРТ, где сеть определяет правильный возраст со средней погрешностью 4,66 лет. В отличие от CNN, стандартный метод регрессии на основе гауссовских процессов хуже справился с задачей: средняя погрешность составила почти 12 лет.

Более того, глубинное обучение занимает всего несколько секунд по сравнению с 24 часами предварительной обработки, необходимой для стандартного метода. Единственная обработка данных, необходимая для сверточной нейронной сети, должна определить последовательность ориентации изображения и размеры воксела между ними. Для врачей это важно: после внедрения соответствующего программного обеспечения, данные о возрасте мозга пациента можно получить, когда тот еще находится в сканере.

Команда также сравнила изображения, полученные с использованием различных сканеров, чтобы показать, что метод можно применить для сканов, собранных с разных машин в разных частях мира. Помимо этого они сравнили возраст мозга 62 женщин-близнецов, чтобы показать, как возраст мозга связан с генетическими факторами. В ходе этого исследования ученые выявили высокую наследуемость уровня старения мозга, которая с возрастом неминуемо снижается. Считается, что экологические факторы становятся более значимыми с течением времени, и здесь ученые наметили перспективное направление будущих исследований.

Результат работы Монтаны и его команды обладает потенциалом повлиять на то, как врачи определяют верный диагноз. Есть немало свидетельств, что такие заболевания, как диабет, шизофрения и травматические повреждения головного мозга коррелируют с более быстрым его старением. Таким образом, быстрое и точное измерение старения мозга может значительно повлиять на то, как врачи в будущем будут справляться с этими заболеваниями.

Научная работа опубликована на arXiv.org (Arxiv: 1612,02572 [stat.ML])