Onderzoekers van Mass General Brigham en Harvard Medical School hebben een nieuw AI-model ontwikkeld dat meerdere hersenaandoeningen kan voorspellen op basis van MRI-scans. Het zogenoemde foundation model, Brain Imaging Adaptive Core (BrainIAC), presteert volgens de onderzoekers beter dan veel AI-modellen die voor één specifieke taak zijn getraind.
Kunstmatige intelligentie wordt al langer ingezet om patronen in medische beeldvorming te herkennen. Door MRI-scans te analyseren kunnen algoritmen bijvoorbeeld aanwijzingen vinden voor tumoren, beroertes of neurodegeneratieve aandoeningen. De meeste bestaande modellen zijn echter ontworpen om slechts één aandoening te detecteren.
BrainIAC, zoals beschreven in Nature Neuroscience, volgt een andere aanpak. Het model werd vooraf getraind op bijna 49.000 MRI-scans van de hersenen en fungeert als een generiek AI-basismodel dat vervolgens voor verschillende klinische toepassingen kan worden aangepast.
Zelflerend systeem
Voor de training maakten de onderzoekers gebruik van zogeheten self-supervised learning, een methode waarbij AI patronen leert uit grotendeels ongeannoteerde data. Hierdoor ontwikkelde het model een brede kennis van de structuur en organisatie van de hersenen.
Na deze pre-training kan BrainIAC relatief eenvoudig worden aangepast voor specifieke taken, zoals het opsporen of volgen van neurologische aandoeningen. In experimenten kon het model onder meer Alzheimer's disease, Parkinson's disease, autism spectrum disorder, stroke, dementie en hersentumoren detecteren of voorspellen met een goede nauwkeurigheid.
Opvallend is dat het model soms tot tien keer minder trainingsdata nodig had om vergelijkbare prestaties te leveren als AI-modellen die specifiek voor één aandoening waren ontwikkeld.
Nieuwe generatie medische AI
Volgens de onderzoekers kan BrainIAC dienen als een generieke basis voor AI-analyses van hersenbeeldvorming. In de toekomst zou het model verder kunnen worden uitgebreid met grotere datasets of worden toegepast op andere beeldvormingsmodaliteiten, zoals CT-scans, microscopiebeelden, retinascans of echografie.
Het model is open source beschikbaar gesteld, waardoor andere onderzoeksgroepen het al gebruiken voor studies naar onder meer Alzheimer en traumatisch hersenletsel. Daarmee kan BrainIAC bijdragen aan een bredere inzet van AI in neurologisch onderzoek en mogelijk ook aan eerdere detectie van hersenaandoeningen in de klinische praktijk.
AI verbetert hersenscans
Begin dit jaar werd bekend dat Onderzoekers van Boston College een AI-methode ontwikkeld hebben die de kwaliteit van functionele MRI-beelden (fMRI) aanzienlijk kan verbeteren door storende ruis effectiever te verwijderen. Deze ruis ontstaat onder meer door beweging van de patiënt, hartslag en andere fysiologische processen en vormt al jaren een belangrijke beperking voor hersenonderzoek.
De nieuwe methode, DeepCor, gebruikt generatieve AI om patronen te herkennen in hersengebieden met en zonder neuronen. Omdat ruis beide typen gebieden op vergelijkbare wijze beïnvloedt, kan het model gedeelde verstoringen identificeren en verwijderen, waardoor betrouwbaardere neurale signalen overblijven. Volgens de onderzoekers levert deze aanpak een duidelijke verbetering op ten opzichte van bestaande technieken zoals CompCor. In tests met echte en synthetische fMRI-data werd tot meer dan 200 procent meer ruis verwijderd, wat kan leiden tot nauwkeurigere analyses van hersenactiviteit.
