Uma equipe de pesquisadores da Universidade de Osaka e da Universidade de Tóquio desenvolveu o MNet, um sistema de diagnóstico automático para doenças neurológicas usando magnetoencefalografia (MEG), demonstrando a possibilidade de fazer diagnósticos automáticos de doenças neurológicas por meio do MEG. Os resultados de suas pesquisas foram publicados em Relatórios Científicos .

O MEG e a eletroencefalografia (EEG) são essenciais para o diagnóstico de doenças neurológicas, como a epilepsia. O MEG permite a aquisição de padrões espaciais-temporais detalhados da atividade cerebral humana por meio da medição do campo eletromagnético associado à atividade neural, extração de sinais detalhados de série temporal de 160 sensores. Embora as informações obtidas a partir desses testes sejam importantes para o diagnóstico, tempo e experiência são necessários para ler e analisar, e padrões de forma de onda anormais podem ser perdidos.

Rede Neural Profunda (DNN), também conhecido como aprendizado profundo, é um subconjunto do aprendizado de máquina em inteligência artificial (IA) e tem chamado a atenção nos últimos anos como meio de classificar dados em várias imagens, vídeos, e sons com alta precisão por meio de um processo de aprendizado de máquina usando Big Data.

O sistema de classificação automática alimentado por AI MNet, que utiliza DNN como uma estrutura computacional, é baseado em uma rede neural chamada EnvNet (rede neural convolucional ponta a ponta para classificação de som ambiental) e pode ser treinada para extrair e aprender recursos de sinais de neuroimagem exclusivos para várias doenças neurológicas de uma grande quantidade de dados de neuroimagem em série temporal.

A equipe esperava que o uso de DNN permitiria ao sistema aprender as características das doenças neurológicas de muitos sinais e classificar os pacientes com doenças neurológicas com mais precisão do que os métodos convencionais usando formas de onda.

Com MNet, eles tentaram classificar grandes volumes de dados de neuroimagem em 140 pacientes com epilepsia, 26 pacientes com lesões na medula espinhal, e 67 indivíduos saudáveis. O MNet treinado conseguiu classificar indivíduos saudáveis ​​e aqueles com as duas doenças neurológicas com uma precisão de mais de 70 por cento e pacientes com epilepsia e indivíduos saudáveis ​​com uma precisão de quase 90 por cento. A precisão da classificação foi significativamente maior do que a obtida por uma máquina de vetores de suporte (SVM), um método de aprendizado de máquina geral convencional baseado em formas de onda (potências de banda relativa do sinal de EEG). Seguindo em frente, esta técnica será utilizada para o diagnóstico de várias doenças neurológicas, avaliação da gravidade, prognóstico, e eficácia do tratamento.

"O aprendizado de máquina avança constantemente, com novas técnicas sendo desenvolvidas o tempo todo. Contudo, não importa o quanto os métodos analíticos avancem, se a qualidade dos dados subjacentes for ruim, uma distinção nítida não pode ser traçada. Realizamos o processo de aprendizado de máquina utilizando DNN, que processou big data principalmente do Centro de Epilepsia do Hospital da Universidade de Osaka. Gostaríamos de aumentar o número e os tipos de doenças a serem diagnosticadas sem sacrificar a qualidade dos dados para que nossa técnica seja útil na prática clínica, "diz o pesquisador Jo Aoe, da Universidade de Osaka.