Kunstmatige intelligentietool onthult sekseverschillen in hersenstructuur

Computerprogramma's voor kunstmatige intelligentie (AI) die MRI-scans verwerken, onthullen verschillen in de organisatie van de hersenen van mannen en vrouwen op cellulair niveau, zo blijkt uit nieuw onderzoek. Deze verschillen werden gevonden in de witte stof, het weefsel dat zich voornamelijk in de binnenste laag van de menselijke hersenen bevindt en de communicatie tussen hersengebieden mogelijk maakt.

Het is bekend dat mannen en vrouwen anders lijden aan multiple sclerose, autismespectrumstoornis, migraine en andere hersenaandoeningen, en dat ze verschillende symptomen vertonen. Een gedetailleerd begrip van hoe het biologische geslacht de hersenen beïnvloedt, wordt gezien als een manier om diagnostische methoden en behandelingen te verbeteren. Hoewel de grootte, vorm en het gewicht van de hersenen zijn bestudeerd, hebben onderzoekers slechts een gedeeltelijk begrip van de structuur ervan op cellulair niveau.

Een nieuwe studie onder leiding van onderzoekers van NYU Langone Health gebruikte een AI-techniek genaamd machine learning om duizenden MRI-hersenscans van 471 mannen en 560 vrouwen te analyseren. De resultaten toonden aan dat de computerprogramma's nauwkeurig onderscheid konden maken tussen mannelijke en vrouwelijke hersenen en structurele en complexe patronen konden identificeren die onzichtbaar waren voor het menselijk oog.

De resultaten werden bevestigd door drie verschillende AI-modellen die zijn ontworpen om het biologische geslacht te bepalen. Ze maakten daarbij gebruik van hun relatieve sterkte bij het focussen op kleine stukjes witte stof of het analyseren van verbindingen in grote delen van de hersenen.

"Onze bevindingen geven een duidelijker beeld van de structuur van het levende menselijke brein, wat mogelijk nieuwe inzichten biedt in de manier waarop veel psychiatrische en neurologische stoornissen ontstaan en waarom deze zich bij mannen en vrouwen anders kunnen manifesteren", aldus Yvonne Lui, hoofdauteur van de studie en neuroradioloog.

Lui, hoogleraar en vicevoorzitter onderzoek aan de afdeling radiologie van de NYU Grossman School of Medicine, merkt op dat eerdere studies naar de microstructuur van de hersenen sterk afhankelijk waren van diermodellen en menselijke weefselmonsters. Bovendien is de validiteit van sommige van deze eerdere bevindingen in twijfel getrokken door het gebruik van statistische analyses van 'handmatig getekende' interessegebieden, waardoor onderzoekers veel subjectieve beslissingen moesten nemen over de vorm, grootte en locatie van de geselecteerde gebieden. Dergelijke keuzes kunnen de resultaten mogelijk vertekenen, zegt Lui.

De bevindingen van het nieuwe onderzoek omzeilden dit probleem door machine learning te gebruiken om hele groepen afbeeldingen te analyseren zonder de computer te vertellen naar een specifieke locatie te kijken. Dit hielp om menselijke vooroordelen te elimineren, aldus de auteurs.

Voor het onderzoek begon het team met het voeden van de AI-programma's met bestaande gegevens van bijvoorbeeld MRI-hersenscans van gezonde mannen en vrouwen, samen met het biologische geslacht van elke scan. Omdat deze modellen waren ontworpen om geavanceerde statistische en wiskundige methoden te gebruiken om in de loop van de tijd "slimmer" te worden naarmate ze meer gegevens verzamelden, "leerden" ze uiteindelijk om zelfstandig het biologische geslacht te bepalen. Belangrijk is dat de programma's niet de totale hersengrootte en -vorm mochten gebruiken voor hun bepalingen, zegt Lui.

Volgens de resultaten identificeerden alle modellen het geslacht van de scans in 92% tot 98% van de gevallen correct. Verschillende kenmerken hielpen de machines bij het trekken van hun conclusies, waaronder hoe gemakkelijk en in welke richting water door het hersenweefsel kon stromen.

"Deze bevindingen benadrukken het belang van diversiteit bij het bestuderen van ziekten die ontstaan in de menselijke hersenen", aldus medeauteur van de studie Junbo Chen, MS, promovendus aan de NYU Tandon School of Engineering.

"Als mannen, zoals historisch het geval is geweest, als standaardmodel voor diverse aandoeningen worden gebruikt, missen onderzoekers mogelijk cruciale inzichten", aldus medeauteur van de studie Vara Lakshmi Bayanagari, MS, een onderzoeksstudent aan de NYU Tandon School of Engineering.

Bayanagari waarschuwt dat de AI-tools weliswaar verschillen in de organisatie van hersencellen konden rapporteren, maar niet konden vaststellen welk geslacht vatbaarder was voor welke eigenschappen. Ze voegt eraan toe dat de studie het geslacht classificeerde op basis van genetische informatie en alleen MRI-scans van cisgender mannen en vrouwen omvatte.

Het team is van plan om de ontwikkeling van seksuele verschillen in de hersenstructuur in de loop van de tijd verder te onderzoeken om zo beter inzicht te krijgen in de rol van omgevings-, hormonale en sociale factoren bij deze veranderingen, aldus de auteurs.

Het werk werd gepubliceerd in het tijdschrift Scientific Reports.