KI kartiert, wie sich Gehirnflüssigkeiten bewegen, um Abfall zu beseitigen

Ein neues, auf Physik basierendes KI-Framework wandelt MRT-Tracerdaten in detaillierte Karten der Gehirnflüssigkeitsbewegung um und zeigt, wie langsame Diffusion und schneller gerichteter Fluss das Abfallbeseitigungssystem des Gehirns beeinflussen können.

In einer kürzlich in der Zeitschrift veröffentlichten Studie Wissenschaftliche FortschritteForscher entwickelten ein neues, auf künstlicher Intelligenz (KI) basierendes Bildgebungsframework, um Flüssigkeitsbewegungen im Gehirn mithilfe von Magnetresonanztomographie-Scans (MRT) in beispielloser Detailgenauigkeit abzubilden.

Die als Magnetresonanz-Künstliche-Intelligenz-Velocimetrie (MR-AIV) bezeichnete Technik liefert auch modellbasierte Informationen über den Druck, der während der Flüssigkeitsbewegung erzeugt wird, und darüber, wie leicht die Flüssigkeit durch verschiedene Gehirnregionen fließt. Solche Details waren bisher ohne invasive Methoden schwer abzuschätzen.

Flüssigkeiten im Gehirn entfernen Abfallstoffe und Schadstoffe. Die interstitielle und cerebrospinale Flüssigkeit (CSF) übernimmt diese Reinigungsfunktionen, um das Gehirn gesund zu halten. Dennoch konnten Wissenschaftler nicht direkt messen, wie sich Flüssigkeiten im gesamten Gehirn bewegen.

Die Untersuchung dieser Bewegung war schwierig, da die meisten vorhandenen Methoden entweder einen chirurgischen Eingriff erfordern oder nur den Flüssigkeitsfluss in der Nähe der Gehirnoberfläche beobachten können. Sie können Faktoren wie Diffusion und Lärm, die die Flüssigkeitsbeurteilung erschweren, nicht genau messen. Dynamische kontrastverstärkte MRT (DCE-MRT) wird bereits im klinischen Umfeld zur Verfolgung von Kontrastmitteln eingesetzt, es sind jedoch fortschrittliche Rechenmethoden erforderlich, um solche Informationen in detaillierte Karten der Flüssigkeitsbewegung umzuwandeln.

Über die Studie

In der vorliegenden Studie entwickelten die Forscher MR-AIV, ein KI-System, das mithilfe maschinellen Lernens den 3D-Gehirnflüssigkeitsfluss aus DCE-MRT-Daten rekonstruieren soll.

Im Gegensatz zu herkömmlichen Einzel-KI-Algorithmusmodellen baute das Team vier spezialisierte neuronale Netze auf. Jedes Netzwerk erledigte eine eigene Aufgabe. Die Netzwerke schätzten, wie sich der Tracer durch Gewebe bewegte, wie leicht verschiedene Gewebe Flüssigkeitsbewegungen zuließen, welche Druckschwankungen mit Flüssigkeitsbewegungen einhergingen und wie Hintergrundgeräusche zu hören waren. Diese Netzwerke ermöglichten es Forschern, bekannte Gesetze der Flüssigkeitsbewegung, wie beispielsweise das Darcy-Gesetz, direkt anzuwenden. Sie reduzierten auch Fehler, die durch verrauschte oder unvollständige Daten verursacht wurden.

Um die Zuverlässigkeit der Ergebnisse zu verbessern, trainierte das Team ein einzelnes Netzwerk, um echte biologische Signale vom Hintergrundrauschen zu trennen. Dadurch konnten die physikalischen Gleichungen nur auf entrauschten Daten angewendet werden. Sie nutzten außerdem eine adaptive Lernstrategie, die dem Modell dabei half, sowohl aus schnellen als auch langsamen fließenden Bewegungen zu lernen.

Die Forscher validierten zunächst das MR-AIV-System anhand synthetischer Datensätze aus computergenerierten Simulationen von Mausgehirnen. Anschließend wendeten sie das Framework an in vivo DCE-MRT-Scans von fünf gesunden Mäusen. Diese Tiere erhielten intrazisternale Injektionen des Kontrastmittels Gadobutrol (15 mM). MRT-Scans verfolgten die Bewegung des Kontrastmittels durch das Gehirngewebe der Maus über 90 Minuten.

Mithilfe verschiedener Rechentechniken reduzierten die Forscher Artefakte und Rauschen aus den Daten. Um die Berechnungen zu vereinfachen, schlossen sie Regionen wie die Ventrikel und die Cisterna magna von der Analyse aus. Das Modell leitete dann detaillierte Karten ab, die zeigten, wie schnell sich Flüssigkeit bewegte, welche Druckschwankungen mit der Bewegung einhergingen und wie leicht Flüssigkeiten durch verschiedene Gewebe gelangen könnten.

Ergebnisse

MR-AIV rekonstruierte gehirnweite Flüssigkeitsströmungsmuster aus DCE-MRT-Daten ohne direkte Messungen der Strömungsgeschwindigkeit. Als Forscher das System anhand computergenerierter Mäusegehirnsimulationen testeten, reproduzierte das Modell die Tracer-Konzentrationsmuster genau mit einem relativen Fehler von weniger als 2,0 %. Im realistischsten synthetischen Fall war die Geschwindigkeitsinferenz schwieriger, da sich größere Fehler auf Bereiche mit sehr langsamer Strömung konzentrierten. Die abgeleiteten Strömungsrichtungen stimmten weitgehend mit Referenzsimulationen überein. Die meisten Vorhersagefehler beobachteten die Forscher in Regionen mit sehr langsamer Flüssigkeitsbewegung, wo die Erkennung normalerweise schwieriger ist.

Die vom MR-AIV abgeleitete Geschwindigkeitsgröße ist bei Mäusen ähnlich. (A) Gadobutrol wird in die Cisterna magna von fünf Mäusen (M1 bis M5) infundiert und die Tracerbewegung per DCE-MRT aufgezeichnet. (B) Der Circle of Willis (rot markierte Position im M1-Strukturbild oben links) ist in der Transversalebene zu sehen. Der Fluss ist in der Nähe des Willis-Kreises und des Riechkolbens konstant schnell, was in der mittleren Sagittalebene beobachtet werden kann. Geschwindigkeitsfelder werden auf Graustufen-Struktur-MRT-Bildern überlagert, die in ausgeschlossenen Regionen durchscheinen. Die Geschwindigkeitsgrößen sind für die fünf Mäuse ähnlich. (C) Die MR-AIV-abgeleitete Geschwindigkeitsgröße in zwei Ebenen (mittlere Sagittalebene, links; Transversalebene, rechts).

Als das Team das Modell anhand realer MRT-Scans gesunder Mäuse testete, beobachteten sie zwei unterschiedliche Strömungsgeschwindigkeiten in den Gehirnregionen. In den meisten Bereichen schien sich die Flüssigkeit sehr langsam zu bewegen, mit einer Geschwindigkeit von ungefähr 0,1 μm/s. Diese Bewegung erfolgte hauptsächlich durch Diffusion, einen Prozess, bei dem sich Moleküle von selbst ausbreiten. Einige Regionen zeigten jedoch schnelle Bewegungen mit fast 3,0 μm/s. In Räumen um Blutgefäße, den Subarachnoidalraum, den Riechkolben und um große Arterien wie den Willis-Kreis bewegt sich die Flüssigkeit schneller durch einen gerichteten Fluss, der als Advektion bezeichnet wird. Karten der lokalen Péclet-Zahlen bestätigten diese Strömungsmuster zusätzlich.

Die Forscher erstellten außerdem modellbasierte MRT-basierte Schätzungen, die zeigen, wie leicht sich Flüssigkeiten durch verschiedene Gehirngewebe bewegen und wie der Druck im gesamten Gehirn variiert. Regionen in der Nähe der Ventrikel und Blutgefäßräume zeigten eine höhere Durchlässigkeit, was auf einen leichteren Flüssigkeitstransport hindeutet.

Diesen Erkenntnissen zufolge reguliert das Gehirn die Flüssigkeitsbewegung hauptsächlich dadurch, wie leicht Flüssigkeit durch verschiedene Strukturen gelangen kann, und nicht dadurch, dass starke Druckunterschiede die Flüssigkeit herumdrücken. In dem Papier wird jedoch darauf hingewiesen, dass Druck- und Permeabilitätsschätzungen als physikalisch plausible Lösungen und nicht als eindeutige Grundwahrheit interpretiert werden sollten. Bei den fünf Wildtyp-Mäusen deuteten ähnliche Flüssigkeitsmuster darauf hin, dass gemeinsame anatomische Strukturen diese Strömungsregime prägen könnten.

Die Studie zeigte auch wichtige Einschränkungen auf. In den realen Mausdaten lagen die rekonstruierten Konzentrationsfehler zwischen 9 % und 13 %, und die Unsicherheit war in Regionen mit niedriger Geschwindigkeit am höchsten, in denen Tracersignale dem Modell weniger Informationen lieferten.

Schlussfolgerungen

Die Ergebnisse zeigen, dass MR-AIV mithilfe von Standard-DCE-MRT-Scans Flüssigkeitsbewegungen über Oberflächen- und Tiefenregionen des Gehirns abbilden kann, ohne dass eine Operation oder direkte Durchflussmessungen erforderlich sind. Die Methode kann Wissenschaftlern helfen zu verstehen, wie sich Flüssigkeit durch verschiedene Gehirngewebe bewegt und wie der Druck während dieser Bewegung variieren kann.

Solche Bemühungen könnten ihnen dabei helfen, Strategien zur Verbesserung der beeinträchtigten Abfallentsorgung bei Erkrankungen zu entwickeln, die durch die Ansammlung toxischer Proteine ​​gekennzeichnet sind, wie beispielsweise die Alzheimer-Krankheit. Da DCE-MRT bereits klinisch eingesetzt wird, könnte MR-AIV schließlich für Studien am Menschen angepasst werden. Zukünftige Studien sind jedoch erforderlich, um die Ergebnisse anhand detaillierterer Flüssigkeitskarten, größerer Proben und, sofern möglich, direkter oder unabhängiger Messungen zu validieren.

Laden Sie Ihr PDF-Exemplar herunter, indem Sie hier klicken.

Quellen: