Niezależnie od tego, czy jest to uraz sportowy, uraz kręgosłupa szyjnego czy uderzenie w głowę, wielu pacjentów z łagodnym wstrząsem mózgu nawet nie zdaje sobie sprawy, że ich niewielki uraz może, jeśli nie zostanie leczony, spowodować poważne problemy zdrowotne na całe życie. Nawet jeśli pacjent zgłosi się na pogotowie z urazem, szacuje się, że 50%–90% przypadków wstrząsu mózgu nie jest diagnozowanych, co naraża ich na ryzyko niebezpiecznych powikłań, takich jak krwawienia mózgowe i upośledzenie funkcji poznawczych.

Nowa współpraca badawcza między USC Viterbi School of Engineering i USC Leonard Davis School of Gerontology wykorzystała potężny model uczenia maszynowego do przewidywania stanu wstrząśnienia mózgu u pacjentów. Praca, kierowana przez Benjamina Hackera (BS ’24), została opublikowana w Czasopismo Neurotraumy.

Wstrząs mózgu to rodzaj urazowego uszkodzenia mózgu, który może powodować tymczasowe zmiany w jego funkcjonowaniu. Hacker powiedział, że obecna praktyka kliniczna w diagnostyce wstrząsu mózgu często opiera się na podstawowych testach poznawczych, takich jak Glasgow Coma Scale, narzędzie służące do oceny poziomu świadomości, reakcji i pamięci pacjenta.

Jednak wielu pacjentów z łagodnym wstrząsem mózgu nigdy nie traci przytomności i może nie mieć tradycyjnych objawów poznawczych, które ułatwiłyby ich diagnozę. Hacker powiedział, że istniejące testy nie są wystarczająco czułe, aby wykryć wiele łagodniejszych przypadków.

„Dostrzegliśmy szansę na znalezienie rozwiązania między sytuacją »braku wstrząsu mózgu« a stanem, w którym wstrząs mózgu jest na tyle poważny, że jest regularnie wykrywany” – powiedział Hacker, który był autorem artykułu, będąc studentem licencjackim Uniwersytetu Viterbi na Uniwersytecie Południowej Kalifornii, a obecnie studentem studiów magisterskich na Wydziale Inżynierii Chemicznej i Materiałoznawstwa Uniwersytetu Mork.

„Lekarz” – dodał – „niekoniecznie zleci obrazowanie i poprosi o MRI u kogoś, kto nie ma żadnych objawów. Chodzi o to, aby była to metoda drugorzędna, która może pomóc lekarzowi, gdy pacjent wykazuje pewne objawy, ale nie ma pewnej diagnozy wstrząsu mózgu opartej wyłącznie na testach poznawczych”.

Hacker powiedział, że on i jego współpracownicy, pod przewodnictwem Andreia Irimii, profesora nadzwyczajnego gerontologii, inżynierii biomedycznej i neuronauki w USC Leonard Davis School of Gerontology, zbudowali swój model, wykorzystując dane z rezonansu magnetycznego mózgu pochodzące od zdrowych osób kontrolnych i osób z wstrząsami mózgu. Obrazowanie, na którym opiera się klasyfikator, jest znane jako obrazowanie ważone dyfuzją, które mierzy, jak płyn przemieszcza się przez mózg różnymi ścieżkami połączeń.

„Te dane określają ilościowo kierunkowość dyfuzji między różnymi obszarami mózgu. Mówią nam, jak silnie te różne węzły są ze sobą powiązane. Następnie wykorzystaliśmy uczenie maszynowe do opracowania klasyfikatora” — powiedział Hacker.

„Wyszkoliliśmy ten klasyfikator na próbce odkrywczej, aby nauczyć go, jak różnią się macierze łączności osób zdrowych i rannych. Następnie, gdy daliśmy mu niezależne próbki testowe, był w stanie wykryć, którzy z tych pacjentów zostali wstrząśnięci, a którzy są zdrowi, na podstawie wzorców w macierzy łączności mózgu i na podstawie siły pewnych ścieżek neuronowych”.

Haker i jego zespół odkryli, że ich model klasyfikatora działa niesamowicie skutecznie, wykazując 99% dokładności zarówno w próbkach treningowych, jak i testowych.

„To o wiele większa dokładność niż kiedykolwiek widzieliśmy przy użyciu takiej metody” — powiedział Hacker. „Myślę, że to dlatego, że nikt wcześniej nie opracował naszego dokładnego sposobu wykorzystania obrazowania ważonego dyfuzyjnie, przekształcania go w macierz łączności, a następnie wykorzystywania uczenia maszynowego w dostosowany sposób, aby odkryć, które ścieżki są najbardziej dotknięte urazem głowy.

„To z pewnością nowość, ponieważ do tej pory nie mieliśmy klasyfikatora wstrząsu mózgu opartego na obrazowaniu, który byłby wystarczająco dokładny, aby na nim polegać”.

Klasyfikator zbudowano przy użyciu bayesowskiego uczenia maszynowego, które Hacker opisał jako system probabilistyczny, tworzący klasyfikację na podstawie cechy, która ma najmniejsze prawdopodobieństwo bycia niepoprawną lub błędnie sklasyfikowaną w oparciu o wiedzę na temat wcześniejszych warunków.

„Używa danych treningowych, aby określić, jakich wzorców można się spodziewać u zdrowej osoby, a jakich u osoby rannej” — powiedział Hacker.

Bycie głównym autorem opublikowanych badań w szanowanym czasopiśmie to wyjątkowe osiągnięcie dla studenta studiów licencjackich. Dla Hackera, który wraca do USC Viterbi wiosną, aby ukończyć studia magisterskie z inżynierii materiałowej, podjęcie badań licencjackich w USC Leonard Davis School of Gerontology może wydawać się zaskakującą ścieżką.

Hacker został początkowo połączony z Irimia Lab poprzez program Center for Undergraduate Research in Viterbi Engineering (CURVE). Szybko odkrył, że jego wykształcenie w zakresie inżynierii chemicznej idealnie i wyjątkowo pasuje do tego typu badań nad mózgiem. Hacker był dobrze zorientowany w teorii inżynierii chemicznej dotyczącej sposobu, w jaki płyny poruszają się w różnych środowiskach.

Ta wiedza przydała mu się w badaniach nad mózgiem, w których wkrótce zaczął się specjalizować, a fascynacja maszynami i głębokim uczeniem się przyczyniła się do rozwoju jego chęci lepszego zrozumienia konektomu neuronalnego.

„Wpadłem na ten pomysł z pomocą (Irimii) i przyciągnął mnie, ponieważ nauka o dyfuzji — jednym ze sposobów, w jaki woda i inne płyny się przemieszczają — jest bardzo oparta na inżynierii chemicznej. To sedno tego, jak działa to badanie, w sposób, w jaki wykonano te skany mózgu — śledzenie sposobu, w jaki woda dyfunduje przez mózg” — powiedział Hacker.

„Była to dla mnie okazja, aby wykorzystać wiele z tego, czego nauczyłem się na temat mechaniki płynów i analizy numerycznej, a następnie zastosować to w czymś zupełnie innym niż zastosowania prezentowane na zajęciach”.

Klasyfikator stworzony przez zespół badawczy może potencjalnie stać się podstawą platformy diagnozy wstrząśnienia mózgu, którą można będzie stosować w warunkach klinicznych.

„Uważamy, że ta praca zdecydowanie ma potencjał, aby zrewolucjonizować tę dziedzinę w pozytywny sposób i mieć wpływ. To jest dla mnie najbardziej ekscytująca część. Nie mogę się doczekać, aby zobaczyć, do czego to doprowadzi” – powiedział Hacker.