Kunstig intelligens belyser variasjon i hjernesykdommer

Maskinlæring, en teknikk fra kunstig intelligens, kan brukes for å trene modeller til å lære seg å finne mønstre i hjernebildedata som har en sammenheng med komplekse nevrologiske og psykiske lidelser. Her har vi blant annet trent en modell til å lære seg å predikere hvor gammel en hjerne ser ut basert på MR-bilder. Vi finner at modellen predikerer at hjernene til pasienter med blant annet Alzheimer's sykdom og Multippel Sklerose gjennomsnittlig ser betydelig eldre ut enn den kronologiske alderen deres. Vi har også trent en modell for å predikere om et hjernebilde tilhører en pasient med demens eller en frisk kontroll, og brukt teknikker for å forklare hva det er modellen har lært. På denne måten har vi funnet ut hvilke områder av hjernen modellen ser på for å finne tegn på demens, og kan bruke denne informasjonen for å understøtte presise diagnoser for enkeltpasienter. Alt i alt har vi trent flere maskinlæringsmodeller for å predikere diverse mål basert på hjernebildedata, og vist at vi kan identifisere og bruke det de lærer seg. Dette er nyttig både for å belyse hvilke biologiske forskjeller som forekommer i en rekke pasientgrupper, og for å lage verktøy for å bistå diagnostisering og prognostisering i kliniske sammenhenger.