​科学家开发出基于人工智能的神经疾病诊断方法

   通信小金        

人类的运动方式揭示了他们大脑状况的许多东西。虽然正常的运动行为表明大脑的功能是健康的,但如果出现偏差,就可能是神经系统疾病造成的损伤。


​科学家开发出基于人工智能的神经疾病诊断方法


运动模式的观察和评估是基础研究的一部分,同样也是临床上使用的非侵入性诊断的最重要手段之一。


在此背景下,海德堡大学在教授、计算机科学家Björn Ommer博士的指导下,与瑞士的科学家联合设计了一种基于计算机的新方法。


正如以人类测试对象进行的各种研究所证明的那样,新方法使研究人员能够完全自动地识别运动障碍,并通过其分析,利用人工智能(AI)提供有关固有疾病类型的数据。


在计算机支持的运动分析中,受试者通常需要被标记上反射性标记;或者,需要在评估框架下产生的视频材料上使用虚拟标记。


这两个过程都相对复杂。除此之外,应事先了解可见的运动行为,以便对其进行额外的调查。


"一个真正的诊断工具不仅要确认运动障碍,而且要能够在第一时间识别它们,并对它们进行正确的分类。"海德堡大学科学计算跨学科中心计算机视觉小组负责人Ommer教授表示。


这恰恰得益于Ommer教授研究团队设计的新诊断技术,被称为 "使用深度学习的无监督行为分析和放大"(uBAM)。


正如海德堡大学研究员所解释的那样,基于使用人工神经网络的机器学习,基本算法可以独立自动地识别特征性行为和病理偏差。


新算法可以找出身体的哪个部位受到影响,然后作为一种行为模式的放大镜,直接强调视频中不同类型的偏差,并将其呈现在可感知的位置。


作为这种分析的一部分,适用的视频资料会与其他健康或类似的障碍对象进行评估。治疗运动障碍的进展也可以通过这种方式进行记录和研究。Ommer教授认为,还可以得出关于大脑神经元活动的结论。


所谓卷积神经网络是uBAM界面的基础。它是一种专门用于图像处理和图像识别目的的神经网络。


这个网络经过训练,可以检测到不同受试者的类比动作行为,尽管他们的外貌存在显著差异。但现在这是可行的,因为人工智能可以区分外貌和姿势。


除了对障碍的识别和测量,对症状的综合分析同样意义重大


研究人员已经通过对人类患者的研究和使用不同的动物模型来证明这种新型技术的有效性。该团队测试了uBAM界面能够区分受损和健康运动活动的准确性等。


研究人员在其关于这一课题的出版物中报告说,在人类患者和小鼠身上都有极高的检索率。


在应用方面,该团队认为,uBAM方法将应用于基础生物医学研究和临床诊断等方面。


除了与Ommer教授合作的海德堡大学团队外,来自苏黎世大学、苏黎世大学医院、Balgrist大学医院和苏黎世神经科学中心的研究人员也参与设计了新的uBAM界面。


该研究得到了德国研究基金会的部分资助,同时也得到了Branco Weiss科学研究会和瑞士国家基金会的资助。研究结果发表在《自然机器智能》杂志上。

最新评论(0)条评论
不吐不快,我来说两句

还没有人评论哦,抢沙发吧~

相关新闻推荐