Un nou sistem AI analizează mișcarea fluidelor cerebrale pentru eliminarea deșeurilor
Un nou cadru de inteligență artificială (AI) bazat pe fizică transformă datele din imagistica prin rezonanță magnetică (IRM) în hărți detaliate ale mișcării fluidelor cerebrale, relevând modul în care difuzia lentă și fluxul direcționat mai rapid pot influența sistemul de eliminare a deșeurilor din creier.
Un studiu recent publicat în revista Science Advances a adus la lumină o nouă metodă de imagistică bazată pe inteligență artificială, care permite cartografierea mișcării fluidelor în creier cu un detaliu nemaivăzut până acum, folosind scanări IRM.
Această tehnică, denumită velocimetrie prin inteligență artificială în rezonanță magnetică (MR-AIV), oferă și informații deduse despre presiunea generată în timpul mișcării fluidului și despre cât de ușor fluidul poate traversa diferite regiuni ale creierului. Astfel de detalii erau anterior greu de estimat fără metode invazive.
Fluidele din creier au rolul de a elimina deșeurile și substanțele dăunătoare. Fluidele interstițiale și cele cerebrospinale (CSF) îndeplinesc aceste funcții de curățare esențiale pentru menținerea sănătății cerebrale. Totuși, cercetătorii nu au reușit să măsoare direct modul în care aceste fluide circulă în întregul creier.
Studiul acestor mișcări a fost complicat, deoarece majoritatea metodelor existente necesită intervenții chirurgicale sau pot observa doar fluxul fluidelor de la suprafața creierului. Aceste metode nu sunt capabile să măsoare cu acuratețe factori precum difuzia și zgomotul care complică evaluarea fluidelor. Imagistica prin rezonanță magnetică dinamică cu contrast (DCE-MRI) este deja utilizată în mediul clinic pentru a urmări agenții de contrast, însă sunt necesare metode computaționale avansate pentru a transforma aceste informații în hărți detaliate ale mișcării fluidului.
În acest studiu, cercetătorii au dezvoltat MR-AIV, un sistem AI destinat să reconstruiască fluxul fluidelor cerebrale în 3D din datele DCE-MRI prin învățare automată. Spre deosebire de modelele convenționale bazate pe un singur algoritm AI, echipa a construit patru rețele neuronale specializate, fiecare având o sarcină distinctă. Aceste rețele au estimat modul în care trasorul s-a mișcat prin țesuturi, cât de ușor diferite țesuturi au permis mișcarea fluidului, variația presiunii asociate cu mișcarea fluidului și zgomotul de fundal.
Aceste rețele au permis cercetătorilor să aplice direct legile cunoscute ale mișcării fluidelor, cum ar fi legea lui Darcy. De asemenea, au redus erorile cauzate de datele zgomotoase sau incomplete. Pentru a îmbunătăți fiabilitatea descoperirilor, echipa a antrenat o rețea unică pentru a separa semnalele biologice reale de zgomotul de fundal. Aceasta a permis ca ecuațiile fizice să opereze doar pe datele denoizate. De asemenea, au folosit o strategie de învățare adaptivă, care a ajutat modelul să învețe atât din mișcările rapide, cât și din cele lente ale fluidului.
Cercetătorii au validat prima dată sistemul MR-AIV folosind seturi de date sintetice provenite din simulări computerizate ale creierelor de șoareci. Apoi, cadrul a fost aplicat la scanările DCE-MRI in vivo ale cinci șoareci sănătoși, care au primit injecții intracisternale cu agentul de contrast gadobutrol (15 mM). Scanările IRM au urmărit mișcarea colorantului de contrast prin țesutul cerebral murin pe o perioadă de 90 de minute.
Echipa a redus artefactele și zgomotul din date folosind mai multe tehnici computaționale. De asemenea, au exclus regiuni precum ventriculele și cisterna magna din analiză pentru a simplifica calculele. Modelul a inferat apoi hărți detaliate care arătau cât de repede se mișcă fluidul, variația presiunii asociate cu mișcarea și cât de ușor fluidele pot trece prin diferite țesuturi.
MR-AIV a reconstruit tipare de flux de fluide la nivelul întregului creier din datele DCE-MRI, fără a necesita măsurători directe ale vitezei fluxului. Atunci când cercetătorii au testat sistemul pe simulări computerizate ale creierelor de șoareci, modelul a reprodus cu acuratețe tiparele de concentrație a trasorului, cu o eroare relativă de mai puțin de 2,0%. Inferența vitezei a fost mai provocatoare în cazul simulării celei mai realiste, cu erori mai mari concentrate în regiunile cu flux foarte lent. Direcțiile fluxului inferate s-au potrivit strâns cu simulările de referință.
Cercetătorii au observat cele mai multe erori de predicție în regiunile cu mișcare fluidă foarte lentă, unde detectarea este de obicei mai dificilă. Atunci când echipa a testat modelul folosind scanări IRM reale ale șoarecilor sănătoși, au observat două viteze distincte ale fluxului în regiunile cerebrale. În cele mai multe zone, fluidul părea să se miște foarte lent, cu o viteză aproximativă de 0,1 μm/s. Această mișcare a avut loc în principal prin difuzie, un proces prin care moleculele se dispersează de la sine. Totuși, câteva regiuni au arătat o mișcare rapidă de aproape 3,0 μm/s. În spațiile din jurul vaselor de sânge, în spațiul subaracnoidian, în bulbii olfactivi și în jurul arterelor majore, cum ar fi cercul lui Willis, fluidul s-a mișcat mai repede prin fluxul direcționat, denumit advecție. Hărțile numerelor Péclet locale au confirmat aceste tipare de flux.
Cercetătorii au creat, de asemenea, estimări bazate pe IRM, deduse de model, care arată cât de ușor se mișcă fluidele prin diferite țesuturi cerebrale și cum variază presiunea în întregul creier. Regiunile din apropierea ventriculelor și a spațiilor vasculare au arătat o permeabilitate mai mare, indicând un transport mai ușor al fluidului. Conform acestor descoperiri, creierul reglează mișcarea fluidului în principal prin cât de ușor fluidul poate trece prin diferite structuri, mai degrabă decât prin diferențe de presiune puternice care împing fluidul.
Cu toate acestea, articolul subliniază că estimările presiunii și permeabilității ar trebui interpretate ca soluții fizic plauzibile, mai degrabă decât ca adevăruri unice. Printre cei cinci șoareci de tip sălbatic, tiparele similare de fluid sugerează că structurile anatomice comune pot influența aceste regimuri de flux.
Studiul a evidențiat, de asemenea, limitări importante. În datele reale ale șoarecilor, erorile de concentrație reconstruite au variat între 9% și 13%, iar incertitudinea a fost cea mai mare în regiunile cu viteză scăzută, unde semnalele trasorului au oferit mai puține informații modelului.
Descoperirile demonstrează că MR-AIV poate cartografia mișcarea fluidelor în regiunile cerebrale superficiale și profunde folosind scanări DCE-MRI standard, fără a necesita intervenții chirurgicale sau măsurători directe ale flux
