Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

Le guide computerizzate di approccio diagnosticano i disordini neurologici basati su danno del motore

Il modo che ci muoviamo dice molto circa lo stato del nostro cervello. Mentre il comportamento normale del motore indica una funzione sana del cervello, le deviazioni possono indicare i danni a causa delle malattie neurologiche. L'osservazione e la valutazione dei reticoli del movimento fa parte quindi di ricerca di base ed è similarmente uno degli strumenti più importanti per i sistemi diagnostici non invadenti nelle applicazioni cliniche.

Sotto il comando di prof. il Dott. Björn Ommer dell'informatico ed in collaborazione con i ricercatori dalla Svizzera, un nuovo approccio computerizzato in questo contesto è stato sviluppato all'università di Heidelberg. Come studi inter alia con le persone umane della prova hanno indicato, questo approccio permette al riconoscimento completamente automatico dei danni del motore e, con la loro analisi, fornisce informazioni sul tipo delle malattie di fondo con l'aiuto di intelligenza artificiale.

Per l'analisi limitata al calcolo del movimento, gli oggetti devono essere etichettati solitamente con le marcature riflettenti o gli indicatori virtuali devono applicarsi al video materiale prodotto nel quadro della valutazione. Entrambe le procedure sono comparativamente complicate. Ancora, il comportamento cospicuo del movimento deve essere conosciuto in anticipo in moda da poterlo più ulteriormente esaminare.

“Uno strumento diagnostico reale dovrebbe non solo confermare i disordini di motore ma potere riconoscerli in primo luogo e classificarli correttamente,„ spiega prof. Ommer, che dirige il gruppo di dispositivo ottico del computer al centro interdisciplinare per la computazione scientifica all'università di Heidelberg.

Precisamente quello è permesso con il metodo diagnostico novello messo a punto dal suo gruppo e conosciuto come “l'analisi non supervisionata e l'ingrandimento di comportamento facendo uso in profondità dell'apprendimento„ (uBAM). L'algoritmo di fondo è basato sull'apprendimento automatico facendo uso delle reti neurali artificiali e riconosce indipendente e completamente automaticamente comportamento caratteristico e deviazioni patologiche, come lo scienziato di Heidelberg spiega.

L'algoritmo determina che parte del corpo è commovente e funziona come genere di lente d'ingrandimento per i reticoli comportamentistici evidenziando i tipi differenti di deviazioni direttamente nel video e rendendoli visibili. Come componente di questo, il video materiale pertinente è paragonato ad altri oggetti in buona salute o similarmente alterati. Il progresso nel trattamento dei disordini di motore può anche essere documentato ed analizzato in questo modo. Secondo prof. Ommer, le conclusioni possono anche essere tratte circa l'attività di un neurone nel cervello.

La base per l'interfaccia del uBAM è una cosiddetta rete neurale dell'avvolgimento, un tipo di rete neurale che è usata per il riconoscimento di immagine e trattamento di immagine purposes particolarmente. Gli scienziati hanno preparato la rete per identificare il simile comportamento del movimento nel caso degli oggetti differenti, anche malgrado le grandi differenze nel loro aspetto esterno.

Quello è possibile perché l'intelligenza artificiale può distinguere fra posizione e l'aspetto. Oltre al riconoscimento ed alla quantificazione dei danni, un'analisi dettagliata dei sintomi è egualmente importante.

Per studiarli dettagliatamente, usiamo una rete neurale generativa. Quel modo possiamo aiutare i neuroscenziati ed i clinici a mettere a fuoco sulle deviazioni sottili nel comportamento del motore che sono probabili essere trascurate ad occhio nudo ed a renderle facilmente visibili ingrandicendo la deviazione. Poi possiamo delimitare esattamente il tipo di malattia nel caso determinato.„

Dott. Björn Ommer, informatico ed il professor, università di Heidelberg

Il gruppo di ricerca già ha potuto provare l'efficacia di questo nuovo approccio con l'aiuto dei modelli animali differenti e studia con i pazienti umani. Hanno verificato, inter alia, la precisione con cui il uBAM può differenziarsi fra attività motoria sana ed alterata. In loro pubblicazione sull'argomento, gli scienziati riferiscono una tariffa molto alta di recupero sia in mouse che in pazienti umani.

“In tutto, il nostro studio mostra che, rispetto ai metodi convenzionali, l'approccio basato su intelligenza artificiale consegna significativamente i risultati più dettagliati con meno sforzo,„ Björn Ommer sottolinea.

Riguardo all'applicazione, gli scienziati sperano che il uBAM sia usato sia nella ricerca biomedica di base che nei sistemi diagnostici clinici e di là. Prof. Ommer: “L'interfaccia può essere applicata dove i metodi tradizionali provano troppo complicato, noioso, o abbastanza efficiente. Potenzialmente potrebbe piombo ad una migliore comprensione dei trattamenti di un neurone nel cervello e dello sviluppo di nuove opzioni terapeutiche.„

Source:
Journal reference:

Brattoli, B., et al. (2021) Unsupervised behaviour analysis and magnification (uBAM) using deep learning. Nature Machine Intelligence. doi.org/10.1038/s42256-021-00326-x.