de.wedoany.com-Bericht: Eine in der Fachzeitschrift „Communications Medicine" veröffentlichte Studie schlägt vor, künstliche Intelligenz in der Neurobildgebung einzusetzen, um die für bestimmte fortgeschrittene MRT-Scans benötigte Zeit um bis zu 90 % zu reduzieren – bei gleichbleibend hoher Genauigkeit.
Die Innovation der Studie liegt in der Methode, mit der das KI-Modell trainiert wurde. Anders als bei den meisten aktuellen Anwendungen, die mit echten Patientendaten trainiert werden, verwendete das Forschungsteam simulierte Daten, die auf physikalischen Prinzipien der Diffusionsprozesse im Hirngewebe basieren. Mit diesen Daten wurde ein neuronales Netzwerk trainiert, um Modellparameter, die als Biomarker für den Gewebezustand dienen, aus sehr wenigen Resonanzbildern zu schätzen.
„Die Verkürzung der erforderlichen Aufnahmezeit ermöglicht die Integration fortschrittlicherer MRT-Techniken, wodurch dem medizinischen Personal mehr klinische Informationen zur Verfügung gestellt werden können", erklärt Silvia De Santis, Forscherin und Leiterin des Labors für translationale Bildgebungs-Biomarker am IN CSIC-UMH.
Dieser Ansatz reduziert zudem Verzerrungen, die mit herkömmlichen klinischen Datensätzen verbunden sind. Maximilian Eggl, Forscher und Leiter der Forschungslinie für KI-inspirierte Biomarker der Gehirnstruktur und -funktion am IN CSIC-UMH, ergänzt, dass die Simulationstechnik es ermöglicht, beliebig viele Daten nach Bedarf zu generieren, ohne auf die Verfügbarkeit von Patienten angewiesen zu sein, und gleichzeitig Datenschutzprobleme vermeidet.
Die Methode stützt sich auf fortschrittliche Techniken wie die diffusionsgewichtete MRT, die eine nicht-invasive Untersuchung der Wasserbewegung im Hirngewebe und damit die Gewinnung von Informationen über dessen Mikrostruktur ermöglicht. Die künstliche Intelligenz kann aus diesen Signalen effizient detaillierte Merkmale des Hirngewebes rekonstruieren.
Die Studie zeigt, dass die Anzahl der erforderlichen Messungen drastisch reduziert wird. Eggl erklärt, dass das ausschließlich mit simulierten Daten trainierte Netzwerk bereits mit nur 10 % der Daten eine sehr hohe Genauigkeit erreicht. Dies könnte direkte Auswirkungen auf das klinische Umfeld haben, insbesondere in Krankenhäusern mit langen Wartelisten.
Das bedeutet eine erhebliche Verkürzung der Scanzeit, beispielsweise von etwa 40 Minuten auf etwa 8 Minuten, um dieselben Informationen zu erhalten. Die beiden Forscher sind der Ansicht, dass dieses Verfahren es ermöglichen wird, in derselben Zeit mehr Patienten zu behandeln und das System effizienter zu machen.
Die Methode eröffnet neue Möglichkeiten für die Erforschung neurodegenerativer Erkrankungen wie Alzheimer. Diese Krankheiten haben eine bis zu zwanzigjährige präklinische Phase, in der keine offensichtlichen Symptome auftreten. De Santis erklärt, dass die klinische Diagnose degenerativer Erkrankungen immer noch auf Technologien basiert, die vor über 30 Jahren entwickelt wurden, und dass die Integration der im Labor erzielten Fortschritte in die klinische Praxis weiterhin eine große Herausforderung darstellt. Dieser neue Ansatz ermöglicht es, detailliertere Informationen zu gewinnen und so die Diagnose zu verbessern.
Darüber hinaus erlaubt das System die erneute Analyse von Magnetresonanztomographie-Daten, die vor Jahrzehnten gewonnen wurden und zuvor durch die damals verfügbare Technologie eingeschränkt waren. Dank dieses neuen, simulationsbasierten Ansatzes können diese Daten neu interpretiert werden, um neue relevante Informationen über neurologische Erkrankungen zu extrahieren.
Diese Arbeit wurde von der Stiftung „laCaixa", der Staatlichen Forschungsagentur Spaniens (AEI) und dem Ministerium für Wissenschaft, Innovation und Universitäten, dem Exzellenzzentrumsprogramm Severo Ochoa, dem Programm der Region Valencia zur Rekrutierung herausragender Doktoranden (CIDEGENT 2021) sowie dem Forscherprogramm Pasqual Maragall (PMRP) der Stiftung Pasqual Maragall unterstützt.
Dieser Artikel wurde von Wedoany übersetzt und bearbeitet. Bei jeglicher Zitierung oder Nutzung durch künstliche Intelligenz (KI) ist die Quellenangabe „Wedoany“ zwingend vorgeschrieben. Sollten Urheberrechtsverletzungen oder andere Probleme vorliegen, bitten wir Sie, uns unverzüglich zu benachrichtigen. Wir werden den entsprechenden Inhalt umgehend anpassen oder löschen.
E-Mail: news@wedoany.com
