Kecerdasan buatan meningkatkan deteksi MRI ADHD – ScienceDaily

Kecerdasan buatan meningkatkan deteksi MRI ADHD – ScienceDaily

[ad_1]

Pembelajaran mendalam, sejenis kecerdasan buatan, dapat meningkatkan kekuatan MRI dalam memprediksi attention deficit hyperactivity disorder (ADHD), menurut sebuah penelitian yang diterbitkan di Radiologi: Kecerdasan Buatan. Para peneliti mengatakan pendekatan itu juga dapat diterapkan untuk kondisi neurologis lainnya.

Otak manusia adalah sekumpulan jaringan yang kompleks. Kemajuan dalam MRI fungsional, sejenis pencitraan yang mengukur aktivitas otak dengan mendeteksi perubahan aliran darah, telah membantu pemetaan koneksi di dalam dan di antara jaringan otak. Peta otak komprehensif ini disebut sebagai penghubung.

Connectome semakin dianggap sebagai kunci untuk memahami gangguan otak seperti ADHD, suatu kondisi yang membuat seseorang sulit untuk memperhatikan dan mengontrol perilaku gelisah.

Menurut National Survey of Children’s Health, sekitar 9,4% anak-anak AS, usia 2 hingga 17 tahun (6,1 juta) pada tahun 2016 telah didiagnosis dengan ADHD. Gangguan tersebut belum dapat didiagnosis secara definitif pada seorang anak dengan satu tes atau pemeriksaan pencitraan medis. Sebaliknya, diagnosis ADHD didasarkan pada serangkaian gejala dan tes berbasis perilaku.

MRI otak memiliki peran potensial dalam diagnosis, karena penelitian menunjukkan bahwa ADHD dihasilkan dari beberapa jenis kerusakan atau gangguan pada sambungan. Connectome dibangun dari wilayah spasial di seluruh citra MR yang dikenal sebagai parcellations. Parcellations otak dapat didefinisikan berdasarkan kriteria anatomi, kriteria fungsional, atau keduanya. Otak dapat dipelajari pada skala berbeda berdasarkan parcellations otak yang berbeda.

Studi sebelumnya telah berfokus pada apa yang disebut pendekatan skala tunggal, di mana penghubung dibangun berdasarkan hanya satu bidang. Untuk studi baru ini, para peneliti dari Fakultas Kedokteran Universitas Cincinnati dan Pusat Medis Rumah Sakit Anak Cincinnati mengambil pandangan yang lebih komprehensif. Mereka mengembangkan metode multi-skala, yang menggunakan beberapa peta penghubung berdasarkan beberapa parsel.

Untuk membangun model deep learning, peneliti menggunakan data dari dataset NeuroBureau ADHD-200. Model tersebut menggunakan data penghubung otak multi-skala dari 973 peserta proyek bersama dengan karakteristik pribadi yang relevan, seperti jenis kelamin dan IQ.

Pendekatan multi-skala meningkatkan kinerja deteksi ADHD secara signifikan selama penggunaan metode skala tunggal.

“Hasil kami menekankan kekuatan prediksi dari penghubung otak,” kata penulis senior studi Lili He, Ph.D., dari Pusat Medis Rumah Sakit Anak Cincinnati. “Penghubung fungsional otak yang dibangun yang mencakup berbagai skala memberikan informasi tambahan untuk penggambaran jaringan di seluruh otak.”

Dengan meningkatkan akurasi diagnostik, diagnosis berbasis MRI dengan bantuan pembelajaran mendalam dapat menjadi penting dalam menerapkan intervensi dini untuk pasien ADHD. Sekitar 5% anak usia pra-sekolah dan sekolah di Amerika telah didiagnosis dengan ADHD. Anak-anak dan remaja ini menghadapi risiko tinggi untuk gagal dalam studi akademis dan membangun hubungan sosial, yang dapat mengakibatkan kesulitan keuangan bagi keluarga dan menimbulkan beban yang luar biasa bagi masyarakat.

Pendekatan ini juga berpotensi melampaui ADHD, menurut Dr. He.

“Model ini dapat digeneralisasikan untuk defisiensi neurologis lainnya,” katanya. “Kami sudah menggunakannya untuk memprediksi defisiensi kognitif pada bayi prematur. Kami memindai mereka segera setelah lahir untuk memprediksi hasil perkembangan saraf pada usia dua tahun.”

Di masa depan, para peneliti berharap untuk melihat model pembelajaran yang mendalam meningkat karena terpapar pada kumpulan data neuroimaging yang lebih besar. Mereka juga berharap untuk lebih memahami kerusakan atau gangguan spesifik di connectome yang diidentifikasi oleh model yang terkait dengan ADHD.

Untuk Informasi Lebih lanjut silahkan Kunjungi : Slot Online

Author Image
adminProzen