KI für Medizinprodukte und das digitale Gesundheitswesen

Problem

Für Patienten mit fortgeschrittener amyotropher Lateralsklerose (ALS) wird die Kommunikation mit Fortschreiten der Krankheit immer schwieriger. In vielen Fällen führt ALS (auch bekannt als Lou-Gehrig-Krankheit) zu einem Locked-in-Syndrom, bei dem der Patient vollständig gelähmt ist, aber kognitiv nicht beeinträchtigt wird. Eye-Tracking-Geräte und neuerdings auch auf Elektroenzephalogrammen (EEG) basierende Hirn-Computer-Schnittstellen (Brain-Computer Interface, kurz: BCI) ermöglichen es ALS-Patienten, sich zu verständigen, indem sie Sätze Zeichen für Zeichen buchstabieren – allerdings kann es so mehrere Minuten dauern, selbst eine einfache Nachricht zu übermitteln.

Lösung

Wissenschaftler der University of Texas Austin haben eine nicht-invasive Technologie entwickelt, die unter Verwendung von Wavelets, Machine Learning und Deep Learning neuronale Netze verwendet, um Signale von Magnetoenzephalographien (MEG) zu dekodieren und ganze Sätze zu erkennen, wenn der Patient sich nur vorstellt, mit ihnen zu sprechen. Die Ausführung des Algorithmus erfolgt nahezu in Echtzeit; wenn sich der Patient einen Satz vorstellt, erscheint er sofort.

• Mit der Wavelet Toolbox™ konnten sie die MEG-Signale entrauschen und mithilfe von Analyseverfahren der Wavelet-Multiresolution in spezifische neuronale Oszillationsbänder (hohe Gamma-, Gamma-, Alpha-, Beta-, Theta- und Delta-Gehirnwellen) aufschlüsseln.
• Zunächst extrahierten die Wissenschaftler Merkmale aus den Signalen und nutzten die Statistics and Machine Learning Toolbox, um eine Vielzahl statistischer Merkmale zu berechnen. Die extrahierten Merkmale wurden verwendet, um einen Klassifikator auf Basis einer Support Vector Machine (SVM) sowie einen einfachen Klassifikator mittels eines künstlichen neuronalen Netzes (ANN) zu trainieren, wobei eine grundlegende Genauigkeit durch die Klassifizierung von fünf Phrasen entsprechenden neuronalen Signalen erzielt wurde. Diese Methode ergab eine Genauigkeit von etwa 80% und diente als Ausgangsbasis für die Genauigkeit.
• Anschließend nutzte das Team Wavelet-Skalogramme von MEG-Signalen zur Darstellung umfangreicher Merkmale und verwendete diese als Eingaben zum Trainieren von drei individuell erstellten, vortrainierten tiefen Convolutional Neural Networks – AlexNet, ResNet und Inception-ResNet – zur Sprachdekodierung von MEG-Signalen. Durch die Kombination von Wavelets und Deep-Learning-Techniken konnte die Gesamtgenauigkeit auf bis zu 96% gesteigert werden.
• Um den Trainingsprozess zu beschleunigen, führte das Team das Training auf einem Parallel-Computing-Server mit sieben Grafikkarten und mithilfe der Parallel Computing Toolbox durch.

Ergebnisse

Mithilfe von MATLAB konnte das Team schnell zwischen den verschiedenen Methoden zur Merkmalsextraktion iterieren und mehrere Modelle zum Machine Learning und Deep Learning trainieren, um eine Gesamtgenauigkeit der MEG-Sprachdekodierung von 96% zu erreichen. Durch die Kombination von Wavelet-Techniken mit Deep Learning in MATLAB konnten sie diese in wenigen Minuten umsetzen – deutlich weniger als in anderen Programmiersprachen. Darüber hinaus war das Team in der Lage, die Verwendung mehrerer Grafikkarten für das Training zu nutzen und musste dabei nur eine einzige Code-Zeile ändern. Mithilfe der Parallel Computing Toolbox und eines Servers mit sieben Grafikkarten konnten die Netze etwa zehnmal schneller trainiert werden.