Nesvarbu, ar tai būtų sportinė trauma, plakimas ar smūgis į galvą, daugelis pacientų, patyrusių lengvą smegenų sukrėtimą, net nesuvokia, kad jų nedidelis sužalojimas, jei negydomas, gali sukelti rimtų sveikatos problemų visam gyvenimui. Net jei pacientas kreipiasi į greitąją pagalbą su sužalojimu, manoma, kad 50–90 % smegenų sukrėtimo atvejų įvyksta be oficialios diagnozės, todėl jiems kyla pavojingų komplikacijų, tokių kaip kraujavimas iš smegenų ir pažinimo sutrikimų, rizika.
Naujas USC Viterbi inžinerijos mokyklos ir USC Leonardo Daviso gerontologijos mokyklos bendradarbiavimas panaudojo galingą mašininio mokymosi modelį, kad būtų galima numatyti pacientų smegenų sukrėtimo būklę. Darbas, kuriam vadovavo Benjamin Hacker (BS '24), dabar buvo paskelbtas Neurotraumos žurnalas.
Smegenų sukrėtimas yra trauminio smegenų pažeidimo forma, galinti sukelti laikinus smegenų funkcijos pokyčius. Hackeris teigė, kad dabartinė klinikinė smegenų sukrėtimo diagnozavimo praktika dažnai remiasi pagrindiniais kognityviniais testais, tokiais kaip Glazgo komos skalė – priemonė, naudojama paciento sąmonės, reagavimo ir atminties lygiui įvertinti.
Tačiau daugelis lengvo smegenų sukrėtimo pacientų niekada nepraranda sąmonės ir gali nepasireikšti tradicinių pažinimo simptomų, dėl kurių juos būtų lengva diagnozuoti. Hakeris teigė, kad šis esamas bandymas nebuvo pakankamai jautrus, kad būtų galima aptikti daug švelnesnių atvejų.
„Mes matėme galimybę tilpti į tą erdvę tarp „visiškai ne smegenų sukrėtimo“ ir smegenų sukrėtimo, kuris yra pakankamai stiprus, kad būtų nuolat aptinkamas“, – sakė Hackeris, šio straipsnio autorius būdamas USC Viterbi bakalauro studijų studentas ir dabar yra magistrantūros studentas. Morkų šeimos Chemijos inžinerijos ir medžiagų mokslo skyriuje.
„Klinikas, – pridūrė jis, – nebūtinai užsisakys vaizdinį tyrimą ir prašys atlikti MRT asmeniui, kuriam pasireiškė be jokių simptomų. Idėja yra tai, kad tai būtų antrinis metodas, galintis padėti gydytojui, kai pacientui pasireiškia tam tikri simptomai. , tačiau jie neturi tvirtos smegenų sukrėtimo diagnozės, pagrįstos vien pažinimo testais.
Hackeris teigė, kad jis ir jo bendradarbiai, vadovaujami gerontologijos, biomedicinos inžinerijos ir neurologijos docento Andrejaus Irimia iš USC Leonardo Daviso gerontologijos mokyklos, sukūrė savo modelį, panaudodami MRT smegenų skenavimo duomenis iš sveikų kontrolinių mėginių ir žmonių, patyrusių smegenų sukrėtimus. Vaizdavimas, kuriuo grindžiamas klasifikatorius, yra žinomas kaip difuzijos svertinis vaizdas, kuris matuoja, kaip skystis keliauja per smegenis skirtingais ryšio keliais.
„Šie duomenys kiekybiškai įvertina difuzijos kryptingumą tarp skirtingų smegenų regionų. Jie mums parodo, kaip stipriai yra susiję šie skirtingi mazgai. Tada naudojome mašininį mokymąsi, kad sukurtume klasifikatorių”, – sakė Hackeris.
„Mes apmokėme šį klasifikatorių pagal atradimo pavyzdį, kad sužinotume, kaip skiriasi sveikų ir sužeistų žmonių jungiamumo matricos. Tada, kai pateikėme nepriklausomus tyrimo pavyzdžius, jis galėjo nustatyti, kurie iš šių tiriamųjų buvo sutrenkti, o kurie sveiki, remiantis smegenų jungiamumo matricos modeliais ir tam tikrų nervų takų stiprybėmis.
Įsilaužėlis ir jo komanda išsiaiškino, kad jų klasifikatoriaus modelis veikė neįtikėtinai gerai ir parodė 99% tikslumą tiek mokymo, tiek testavimo pavyzdžiuose.
„Tai daug didesnis tikslumas, nei mes kada nors matėme naudojant tokį metodą“, – sakė Hackeris. „Manau, kad taip yra todėl, kad niekas anksčiau nebuvo sugalvojęs mūsų tikslaus plano, kaip naudoti difuzijos svertinį vaizdą, paversti jį jungiamumo matrica, o vėliau pritaikyti mašininį mokymąsi, kad sužinotume, kokius būdus labiausiai paveikia galvos trauma.
„Tai tikrai nauja tuo, kad iki šiol neturėjome vaizdiniu būdu pagrįsto smegenų sukrėtimo klasifikatoriaus, kuris būtų pakankamai tikslus.
Klasifikatorius buvo sukurtas naudojant Bajeso mašininį mokymąsi, kurį Hackeris apibūdino kaip tikimybinę sistemą, kuri sukuria klasifikaciją pagal bet kurią ypatybę, turinčią mažiausią tikimybę, kad ji bus neteisinga arba neteisingai klasifikuojama atsižvelgiant į ankstesnių sąlygų žinias.
„Jis naudoja treniruočių duomenis, kad nustatytų, kokius modelius tikitės matyti sveikam žmogui ir kokius modelius tikitės matyti sužalotam žmogui“, – sakė Hackeris.
Būti pagrindiniu publikuotų tyrimų autoriumi gerbiamame žurnale yra unikalus bakalauro studento pasiekimas. Hackeriui, kuris pavasarį grįžta į USC Viterbi, kad baigtų medžiagų inžinerijos magistro studijas, bakalauro studijos USC Leonardo Daviso gerontologijos mokykloje gali atrodyti kaip netikėtas kelias.
„Hacker“ iš pradžių buvo suporuotas su „Irimia Lab“ per Viterbi inžinerijos bakalauro studijų centrą (CURVE). Netrukus jis pastebėjo, kad jo chemijos inžinerijos išsilavinimas puikiai ir unikaliai tinka tokio tipo smegenų tyrimams. Hakeris gerai išmanė chemijos inžinerijos teoriją apie tai, kaip skysčiai juda įvairiose aplinkose.
Šios pagrindinės žinios buvo naudingos smegenų tyrimams, kuriuose jis netrukus pradėjo specializuotis, o susižavėjimas mašininiu ir giluminiu mokymusi padėjo paskatinti jo norą geriau suprasti nervų jungtį.
„Šią idėją sugalvojau padedamas (Irimia) ir mane patraukė, nes mokymasis apie difuziją – vieną iš vandens ir kitų skysčių judėjimo būdų – yra labai pagrįstas chemijos inžinerija. Tai yra šio tyrimo esmė. tokiu būdu, kaip buvo atliekami šie smegenų skenavimai – stebint, kaip vanduo pasklinda per smegenis“, – sakė Hackeris.
„Man tai buvo galimybė pasinaudoti daugybe to, ką išmokau apie skysčių mechaniką ir skaitmeninę analizę, o tada pritaikyti tai kažkam visiškai kitokiam nei klasėje pateiktos programos.
Mokslininkų grupės sukurtas klasifikatorius gali sudaryti pagrindą smegenų sukrėtimo diagnostikos platformai, kuri galėtų būti taikoma klinikinėje aplinkoje.
„Jaučiame, kad šis darbas neabejotinai turi potencialo sužlugdyti lauką teigiamai ir turėti įtakos. Tai mane labiausiai jaudinanti dalis. Nekantrauju pamatyti, prie ko tai prives”, – sakė Hackeris.