Une équipe de chercheurs de l'Université d'Osaka et de l'Université de Tokyo a développé MNet, un système de diagnostic automatique des maladies neurologiques par magnétoencéphalographie (MEG), démontrant la possibilité de faire des diagnostics automatiques de maladies neurologiques à l'aide de MEG. Les résultats de leurs recherches ont été publiés dans Rapports scientifiques .

La MEG et l'électroencéphalographie (EEG) sont essentielles pour diagnostiquer les maladies neurologiques telles que l'épilepsie. Le MEG permet l'acquisition de schémas spatio-temporels détaillés de l'activité cérébrale humaine grâce à la mesure du champ électromagnétique associé à l'activité neuronale, extraire des signaux de séries chronologiques détaillés à partir de 160 capteurs. Bien que les informations obtenues à partir de ces tests soient importantes pour le diagnostic, du temps et de l'expertise sont nécessaires pour la lecture et l'analyse, et des modèles de forme d'onde anormaux peuvent être manqués.

Réseau de neurones profonds (DNN), également connu sous le nom d'apprentissage en profondeur, est un sous-ensemble de l'apprentissage automatique en intelligence artificielle (IA) et a attiré l'attention ces dernières années en tant que moyen de classification des données sur diverses images, vidéos, et des sons avec une grande précision grâce à un processus d'apprentissage automatique utilisant le Big Data.

Le système de classification automatique alimenté par l'IA MNet, qui utilise DNN comme cadre de calcul, est basé sur un réseau neuronal appelé EnvNet (réseau neuronal convolutif de bout en bout pour la classification des sons environnementaux) et peut être entraîné pour extraire et apprendre les caractéristiques des signaux de neuro-imagerie uniques à diverses maladies neurologiques à partir d'une quantité massive de données de neuro-imagerie en série temporelle.

L'équipe s'attendait à ce que l'utilisation de DNN permette au système d'apprendre les caractéristiques des maladies neurologiques à partir de nombreux signaux et de classer les patients atteints de maladies neurologiques plus précisément que les méthodes conventionnelles utilisant des formes d'onde.

Avec MNet, ils ont tenté de classer les mégadonnées de neuroimagerie sur 140 patients épileptiques, 26 patients blessés médullaires, et 67 sujets sains. Le MNet formé a réussi à classer les sujets sains et ceux atteints des deux maladies neurologiques avec une précision de plus de 70 % et les patients atteints d'épilepsie et les sujets sains avec une précision de près de 90 %. La précision de la classification était significativement plus élevée que celle obtenue par une machine à vecteurs de support (SVM), une méthode d'apprentissage machine générale conventionnelle basée sur des formes d'onde (puissances de bande relatives du signal EEG). Avancer, cette technique sera utilisée pour le diagnostic de diverses maladies neurologiques, évaluation de la gravité, pronostic, et l'efficacité du traitement.

"L'apprentissage automatique est en constante évolution, avec de nouvelles techniques développées tout le temps. Cependant, peu importe l'avancée des méthodes d'analyse, si la qualité des données sous-jacentes est mauvaise, une distinction nette ne peut être établie. Nous avons effectué le processus d'apprentissage automatique en utilisant DNN, qui traitait des données volumineuses provenant principalement du centre d'épilepsie de l'hôpital universitaire d'Osaka. Nous aimerions augmenter le nombre et les types de maladies à diagnostiquer sans sacrifier la qualité des données afin que notre technique soit utile dans la pratique clinique, ", explique le chercheur Jo Aoe de l'Université d'Osaka.