Ett team av forskare från Osaka University och University of Tokyo utvecklade MNet, ett automatiskt diagnossystem för neurologiska sjukdomar med hjälp av magnetoencefalografi (MEG), visa på möjligheten att ställa automatiska neurologiska sjukdomsdiagnoser med hjälp av MEG. Deras forskningsresultat publicerades i Vetenskapliga rapporter .

MEG och elektroencefalografi (EEG) är avgörande för att diagnostisera neurologiska sjukdomar som epilepsi. MEG möjliggör förvärv av detaljerade temporal-spatiala mönster av mänsklig hjärnaktivitet genom mätning av elektromagnetiska fält associerat med neural aktivitet, extrahera detaljerade tidsseriesignaler från 160 sensorer. Även om information som erhålls från dessa tester är viktig för diagnos, tid och expertis är nödvändig för att läsa och analysera, och onormala vågformsmönster kan missas.

Deep Neural Network (DNN), även känd som djupinlärning, är en delmängd av maskininlärning inom artificiell intelligens (AI) och har uppmärksammats på senare år som ett sätt att klassificera data på olika bilder, videoklipp, och låter med hög noggrannhet genom en maskininlärningsprocess med hjälp av big data.

Det AI-drivna automatiska klassificeringssystemet MNet, som använder DNN som ett beräkningsramverk, är baserat på ett neuralt nätverk som kallas EnvNet (end-to-end convolutional neural network for environment sound classification) och kan tränas för att extrahera och lära sig egenskaper hos neuroimagingsignaler som är unika för olika neurologiska sjukdomar från en enorm mängd neuroimagingdata i tidsserier.

Teamet förväntade sig att användningen av DNN skulle göra det möjligt för systemet att lära sig egenskaperna hos neurologiska sjukdomar från många signaler och klassificera patienter med neurologiska sjukdomar mer exakt än konventionella metoder som använder vågformer.

Med MNet, de försökte klassificera neuroimaging big data på 140 patienter med epilepsi, 26 patienter med ryggmärgsskada, och 67 friska försökspersoner. Det utbildade MNet lyckades klassificera friska försökspersoner och de med de två neurologiska sjukdomarna med en noggrannhet på över 70 procent och patienter med epilepsi och friska försökspersoner med en noggrannhet på nästan 90 procent. Klassificeringsnoggrannheten var betydligt högre än den som erhölls av en stödvektormaskin (SVM), en konventionell allmän maskininlärningsmetod baserad på vågformer (relativa bandeffekter för EEG-signaler). Går vidare, denna teknik kommer att användas för diagnos av olika neurologiska sjukdomar, utvärdering av svårighetsgrad, prognos, och behandlingens effektivitet.

"Maskininlärning går ständigt framåt, med nya tekniker som hela tiden utvecklas. Dock, oavsett hur mycket analytiska metoder går framåt, om kvaliteten på underliggande data är dålig, en skarp skillnad kan inte göras. Vi genomförde processen med maskininlärning genom att använda DNN, som bearbetade stordata främst från Osaka University Hospital Epilepsy Center. Vi skulle vilja öka antalet och typerna av sjukdomar som ska diagnostiseras utan att offra kvaliteten på data så att vår teknik kommer att vara till hjälp i klinisk praxis, " säger forskaren Jo Aoe från Osaka University.