Un team di ricercatori dell'Università di Osaka e dell'Università di Tokyo ha sviluppato MNet, un sistema di diagnosi automatica delle malattie neurologiche mediante magnetoencefalografia (MEG), dimostrando la possibilità di effettuare diagnosi automatiche di malattie neurologiche utilizzando MEG. I risultati della loro ricerca sono stati pubblicati in Rapporti scientifici .

Il MEG e l'elettroencefalografia (EEG) sono essenziali per la diagnosi di malattie neurologiche come l'epilessia. MEG consente l'acquisizione di modelli spazio-temporali dettagliati dell'attività cerebrale umana attraverso la misurazione del campo elettromagnetico associato all'attività neurale, estrazione di segnali di serie temporali dettagliati da 160 sensori. Sebbene le informazioni ottenute da questi test siano importanti per la diagnosi, tempo e competenza sono necessari per leggere e analizzare, e modelli di forma d'onda anomali possono essere persi.

Rete neurale profonda (DNN), noto anche come apprendimento profondo, è un sottoinsieme dell'apprendimento automatico nell'intelligenza artificiale (AI) e ha attirato l'attenzione negli ultimi anni come mezzo per classificare i dati su varie immagini, video, e suoni con un'elevata precisione attraverso un processo di apprendimento automatico che utilizza i big data.

Il sistema di classificazione automatica basato sull'intelligenza artificiale MNet, che utilizza DNN come framework computazionale, si basa su una rete neurale chiamata EnvNet (rete neurale convoluzionale end-to-end per la classificazione del suono ambientale) e può essere addestrata per estrarre e apprendere caratteristiche dei segnali di neuroimaging unici per varie malattie neurologiche da un'enorme quantità di dati di neuroimaging di serie temporali.

Il team si aspettava che l'uso del DNN avrebbe consentito al sistema di apprendere le caratteristiche delle malattie neurologiche da molti segnali e classificare i pazienti con malattie neurologiche in modo più accurato rispetto ai metodi convenzionali che utilizzano le forme d'onda.

Con MNet, hanno cercato di classificare i big data di neuroimaging su 140 pazienti con epilessia, 26 pazienti con lesioni del midollo spinale, e 67 soggetti sani. L'MNet addestrato è riuscito a classificare i soggetti sani e quelli con le due malattie neurologiche con un'accuratezza di oltre il 70% e i pazienti con epilessia e i soggetti sani con un'accuratezza di quasi il 90%. L'accuratezza della classificazione era significativamente superiore a quella ottenuta da una macchina vettoriale di supporto (SVM), un metodo convenzionale di apprendimento automatico generale basato su forme d'onda (potenze di banda relative del segnale EEG). Andando avanti, questa tecnica sarà utilizzata per la diagnosi di varie malattie neurologiche, valutazione della gravità, prognosi, ed efficacia del trattamento.

"Il machine learning è in costante progresso, con nuove tecniche in continuo sviluppo. Però, non importa quanto avanzano i metodi analitici, se la qualità dei dati sottostanti è scarsa, non si può fare una netta distinzione. Abbiamo eseguito il processo di apprendimento automatico utilizzando DNN, che ha elaborato i big data principalmente dal Centro per l'epilessia dell'ospedale universitario di Osaka. Vorremmo aumentare il numero e i tipi di malattie da diagnosticare senza sacrificare la qualità dei dati in modo che la nostra tecnica sia utile nella pratica clinica, ", afferma il ricercatore Jo Aoe dell'Università di Osaka.