A kérdés mintha egyenesen a Facebookról érkezett volna. A látszat azonban ezúttal csal: komoly kutatók foglalkoznak a témával – köztük a Magyar Tudományos Akadémia Természettudományi Kutatóközpont (TTK) munkatársai –, a válaszok pedig sokak időskorát tehetik élhetőbbé – számolt be az MTA.
Agyunk az életünk során folyamatosan változik, fiatalkorunkban az agy hálózatainak szerkezete és működése egyre összehangoltabbá és kifinomultabbá válik, ahogy pedig öregedni kezdünk, ellenkező irányú folyamatok játszódnak le benne. A változások nemcsak az agy fizikai szerkezetében tapasztalhatók, hanem az egyes agyterületek működése közti összehangoltság mértékében is, amely az agyterületek között mérhető funkcionális kapcsolatok erősségének megváltozásával jól jellemezhető.
E kapcsolatokat funkcionális mágneses rezonanciás képalkotással (fMRI) nagyszerűen lehet vizsgálni, és az eredmények megmutathatják, hogy a vizsgált agy kapcsolati mintázatának jellemzői mennyire felelnek meg a vizsgált személy valós életkorának. Ha az eltérés jelentős, az a kutatások szerint jó előre jelzi a kóros agyi öregedési folyamatokat, köztük a demenciát.
Márpedig igen fontos, hogy az efféle folyamatokra idejében fény derüljön, mivel a korai gyógyszeres beavatkozások és életmódváltás sokkal hatásosabb, mint a súlyosabb tünetek megjelenése utáni „tűzoltás”.
Az agyterületek működése közti kapcsolatok meglehetősen bonyolult hálózatot alkotnak, így egyáltalán nem nyilvánvaló, hogy milyen tulajdonságaik vannak kapcsolatban az életkorral. Kézenfekvő megoldásnak tűnt hát, hogy mesterséges intelligenciát vessenek be az elemzésére. A mélytanulásos (deep learning) rendszereket pedig éppen úgy be lehet tanítani az agyi kapcsolati hálózatok és az életkor közti összefüggésekre, mint például a kutyás és a macskás képek elkülönítésére. Vagyis egy mélytanulásos rendszer megfelelő számú egészséges agyról készült felvétel feldolgozása után „érezni” kezdi az agy korát éppúgy, ahogy a másik példában a képen szereplő állat „kutyaságát” vagy „macskaságát”.
Van azonban egy nagy eltérés a két helyzet között: míg a képfelismerés esetében a betanításhoz fotók millióit használhatják, a meglehetősen költségesen elkészíthető fMRI-felvételekből nagyságrendekkel kevesebb áll rendelkezésre. És ha ez még nem lenne elég, a különféle berendezéseken más és más beállításokkal készült fMRI-felvételek kapcsolati hálózatai annyira különböznek egymástól, hogy nem igazán lehet őket „összeönteni” és ezt az egységes adatbázist használni a mesterséges intelligencia betanítására.
Vidnyánszky Zoltán és a Nemzeti Agykutatási Program támogatásával működő kutatócsoportja a mélytanulásos rendszerek működési elvét felhasználva ügyes megoldást talált e probléma kiküszöbölésére. Vidnyánszkyék ötlete az volt, hogy az fMRI-felvételek egyszerű összeöntése helyett inkább a különféle mintákon betanított mesterséges intelligenciák magasabb absztrakciós szintjeinek adatait vegyék át.
Az MTA TTK Agyi Képalkotó Központban működő kutatócsoport eljárása sikeresnek bizonyult, eredményüket nemrég az egészségügyi informatika területének legrangosabb folyóirata, a GigaScience közölte.
„Az eljárásunk segítségével 5 évvel sikerült javítani a funkcionális konnektivitáson alapuló agyéletkorbecslés átlagos pontosságát. Kutatási eredményeink megoldást szolgáltattak a különböző MRI-berendezéssel, mérési paraméterekkel és eltérő szempontok szerint beválogatott embercsoportokon gyűjtött adatbázisok közötti tudástranszferre” – mondta el Vidnyánszky Zoltán.
A módszer fontos előrelépést jelent a kóros agyi öregedés mesterséges intelligenciával történő hatékonyabb előrejelzésében. Emellett segítséget nyújthat olyan, idegrendszeri képalkotáson alapuló speciális diagnosztikai feladatok megoldásában, ahol kevés adat áll rendelkezésre a mesterséges intelligenciák tanításához.
