Articles Populaires
Outil d'IA pour détecter les caractéristiques de la maladie d'Alzheimer
L'étude, publiée dans la revue Nature Communications, est une preuve de concept pour une approche d'apprentissage automatique pour distinguer les marqueurs critiques de la maladie neurodégénérative.
Les plaques amyloïdes sont des amas de fragments de protéines dans le cerveau des personnes atteintes de la maladie d'Alzheimer qui détruisent les connexions des cellules nerveuses, ont déclaré des chercheurs de l'Université de Californie à Davis aux États-Unis. (Photo de Thinkstock Images) Les chercheurs ont trouvé un moyen d'apprendre à un ordinateur à détecter avec précision l'une des caractéristiques de la maladie d'Alzheimer dans le tissu cérébral humain à l'aide de l'intelligence artificielle (IA).
L'étude, publiée dans la revue Communication Nature , est une preuve de concept pour une approche d'apprentissage automatique pour distinguer les marqueurs critiques de la maladie neurodégénérative.
Les plaques amyloïdes sont des amas de fragments de protéines dans le cerveau des personnes atteintes de la maladie d'Alzheimer qui détruisent les connexions des cellules nerveuses, ont déclaré des chercheurs de l'Université de Californie à Davis (UC Davis) aux États-Unis.
Tout comme Facebook reconnaît les visages sur la base des images capturées, l'outil d'apprentissage automatique peut voir si un échantillon de tissu cérébral a un type de plaque amyloïde ou un autre, et le faire très rapidement.
Les résultats suggèrent que l'apprentissage automatique peut augmenter l'expertise et l'analyse d'un neuropathologiste expert.
L'outil leur permet d'analyser des milliers de fois plus de données et de poser de nouvelles questions qui ne seraient pas possibles avec les capacités de traitement de données limitées des experts humains les plus qualifiés.
Nous avons toujours besoin du pathologiste, a déclaré Brittany N Dugger, professeur adjoint à l'UC Davis et auteur principal de l'étude.
C'est un outil, comme un clavier pour écrire. Comme les claviers ont aidé à écrire les flux de travail, la pathologie numérique associée à l'apprentissage automatique peut faciliter les flux de travail de neuropathologie, a déclaré Dugger.
Elle s'est associée à Michael J Keiser, professeur adjoint à l'Université de Californie à San Francisco (UCSF), pour déterminer s'ils pouvaient apprendre à un ordinateur à automatiser le processus laborieux d'identification et d'analyse de minuscules plaques amyloïdes de divers types dans de grandes tranches d'humains autopsiés. tissu cérébral.
Keizer et son équipe ont conçu un réseau de neurones convolutifs (CNN), un programme informatique conçu pour reconnaître des modèles basés sur des milliers d'exemples étiquetés par l'homme.
L'équipe a conçu une méthode qui lui a permis d'annoter ou d'étiqueter rapidement des dizaines de milliers d'images à partir d'une collection d'un demi-million d'images rapprochées de tissus provenant de 43 échantillons de cerveau sains et malades.
Comme un service informatique de rencontres qui permet aux utilisateurs de glisser vers la gauche ou la droite pour étiqueter la photo de quelqu'un comme chaude ou non, ils ont développé une plate-forme Web qui a permis à Dugger de regarder une par une les régions très zoomées des plaques potentielles et de les étiqueter rapidement. ce qu'elle y a vu.
Cet outil de pathologie numérique – que les chercheurs ont appelé blob ou non – a permis à Dugger d'annoter plus de 70 000 blobs, ou candidats à la plaque, à un rythme d'environ 2 000 images par heure.
L'équipe de l'UCSF a utilisé cette base de données de dizaines de milliers d'images d'exemple étiquetées pour entraîner son algorithme d'apprentissage automatique CNN à identifier différents types de changements cérébraux observés dans la maladie d'Alzheimer.
de quelle couleur sont les coccinelles
Cela inclut la discrimination entre les plaques dites évidées et diffuses et l'identification des anomalies dans les vaisseaux sanguins.
Les chercheurs ont montré que leur algorithme pouvait traiter une lame entière de tranche de cerveau avec une précision de 98,7 %, avec une vitesse limitée uniquement par le nombre de processeurs informatiques qu'ils utilisaient.