Будь то спортивная травма, хлыстовая травма или удар по голове, многие пациенты с легким сотрясением мозга даже не осознают, что их незначительная травма может, если ее не лечить, вызвать серьезные проблемы со здоровьем на всю жизнь. Даже если пациент обращается в отделение неотложной помощи со своей травмой, по оценкам, 50–90 % случаев сотрясения мозга остаются без официального диагноза, что подвергает их риску опасных осложнений, таких как кровоизлияния в мозг и когнитивные нарушения.

Новое исследовательское сотрудничество между Школой инженерии Витерби в Университете Южной Калифорнии и Школой геронтологии имени Леонарда Дэвиса в Университете Южной Калифорнии использовало мощную модель машинного обучения для прогнозирования статуса сотрясения мозга у пациентов. Работа под руководством Бенджамина Хакера (бакалавр наук \’24) теперь опубликована в журнале Journal of Neurotrauma .

Сотрясение мозга — это форма черепно- мозговой травмы , которая может вызвать временные изменения в работе мозга. Хакер сказал, что современная клиническая практика диагностики сотрясения мозга часто опирается на базовые когнитивные тесты, такие как шкала комы Глазго, инструмент, используемый для оценки уровня сознания, реагирования и памяти пациента.

Тем не менее, многие пациенты с легким сотрясением мозга никогда не теряют сознание и могут не иметь традиционных когнитивных симптомов, которые позволили бы легко их диагностировать. Хакер сказал, что это существующее тестирование недостаточно чувствительно для обнаружения многих более легких случаев.

«Мы увидели возможность заполнить пробел между «вообще не сотрясением» и сотрясением, которое достаточно сильное, чтобы его постоянно выявляли», — сказал Хакер, который написал статью, будучи студентом-бакалавром Университета Южной Калифорнии в Витерби, а сейчас является магистрантом кафедры химической инженерии и материаловедения Mork Family.

«Врач, — добавил он, — не обязательно будет заказывать визуализацию и МРТ для человека, у которого нет никаких симптомов. Идея заключается в том, чтобы это был вторичный метод, который может помочь врачу, когда у пациента проявляются определенные симптомы, но у него нет точного диагноза сотрясения мозга, основанного исключительно на когнитивных тестах».

Хакер сказал, что он и его коллеги во главе с Андреем Иримией, доцентом геронтологии, биомедицинской инженерии и нейронауки в Школе геронтологии имени Леонарда Дэвиса в Университете Южной Калифорнии, построили свою модель, используя данные МРТ-сканирования мозга здоровых контрольных образцов и людей с сотрясениями. Изображение, на котором основан классификатор, известно как диффузионно-взвешенное изображение, которое измеряет, как жидкость проходит через мозг по различным соединительным путям.

«Эти данные количественно определяют направленность диффузии между различными областями мозга. Они говорят нам, насколько сильно связаны эти различные узлы. Затем мы использовали машинное обучение для разработки классификатора», — сказал Хакер.

«Мы обучили этот классификатор на выборке, чтобы объяснить ему, как различаются матрицы связей у здоровых и травмированных людей. Затем, когда мы дали ему независимые тестовые образцы, он смог определить, у кого из этих субъектов было сотрясение мозга, а у кого — здоровье, на основе закономерностей в матрице связей мозга и силы определенных нейронных путей».

Хакер и его команда обнаружили, что их модель классификатора работала невероятно хорошо, показывая точность 99% как в обучающей, так и в тестовой выборке.

«Это гораздо более высокая точность, чем та, которую мы когда-либо видели с помощью такого метода», — сказал Хакер. «Я думаю, это потому, что никто ранее не разработал наш точный конвейер использования диффузионно-взвешенной визуализации, превращения ее в матрицу связности, а затем использования машинного обучения в индивидуальном порядке для выявления того, какие пути больше всего затронуты травмой головы.

«Это, безусловно, новшество, поскольку до сих пор у нас не было основанного на визуализации классификатора сотрясений мозга, который был бы достаточно точным, чтобы на него можно было положиться».

Классификатор был создан с использованием байесовского машинного обучения, которое Хакер описал как вероятностную систему, создающую классификацию на основе любого признака, имеющего наименьшую вероятность быть неверным или неправильно классифицированным в соответствии со знанием предыдущих условий.

«Он использует данные обучения, чтобы определить, какие закономерности вы ожидаете увидеть у здорового человека, а какие — у травмированного», — сказал Хакер.

Быть ведущим автором опубликованного исследования в уважаемом журнале — уникальное достижение для студента бакалавриата. Для Хакера, который возвращается в USC Viterbi весной, чтобы закончить магистратуру по материаловедению , проведение бакалаврских исследований в Школе геронтологии имени Леонарда Дэвиса USC может показаться неожиданным путем.

Хакер изначально был связан с Irimia Lab через программу Центра бакалавриата по инженерии Витерби (CURVE). Вскоре он обнаружил, что его опыт в области химической инженерии идеально и уникально подходит для этого типа исследований мозга. Хакер хорошо разбирался в теории химической инженерии, касающейся движения жидкостей в различных средах.

Эти базовые знания пригодились ему в его исследованиях мозга, на которых он вскоре стал специализироваться, а увлечение машинным и глубоким обучением подстегнуло его желание лучше понять нейронный коннектом.

«Эта идея пришла мне в голову с помощью (Иримии), и она меня привлекла, потому что изучение диффузии — одного из способов движения воды и других жидкостей — во многом основано на химической инженерии. Это основа того, как работает это исследование, в том, как были сделаны эти сканирования мозга — отслеживание того, как вода диффузирует через мозг», — сказал Хакер.

«Для меня это была возможность взять многое из того, что я узнал о механике жидкости и численном анализе, а затем применить это к чему-то совершенно иному, нежели те приложения, которые были представлены на занятиях».

Классификатор, созданный исследовательской группой, потенциально может стать основой платформы диагностики сотрясений мозга, которую можно будет применять в клинических условиях.

«Мы считаем, что эта работа определенно имеет потенциал изменить эту область в позитивном ключе и оказать влияние. Это самая захватывающая часть для меня. Мне не терпится увидеть, к чему это приведет», — сказал Хакер.