Datorprogram med artificiell intelligens (AI) som bearbetar MR-resultat visar skillnader i hur hjärnan hos män och kvinnor är organiserad på cellnivå, visar en ny studie. Dessa variationer upptäcktes i vit substans, vävnad som främst finns i den mänskliga hjärnans innersta lager, vilket främjar kommunikation mellan regioner.
Arbetet publiceras i Scientific Reports.
Det är känt att män och kvinnor drabbas av multipel skleros, autismspektrumstörning, migrän och andra hjärnproblem i olika takt och med varierande symtom. En detaljerad förståelse av hur biologiskt kön påverkar hjärnan ses därför som ett sätt att förbättra diagnostiska verktyg och behandlingar. Medan hjärnans storlek, form och vikt har undersökts har forskarna dock bara en partiell bild av hjärnans layout på cellnivå.
I den nya studien, som leddes av forskare vid NYU Langone Health, användes en AI-teknik som kallas maskininlärning för att analysera tusentals MR-skanningar av hjärnan från 471 män och 560 kvinnor. Resultaten visade att datorprogrammen med stor precision kunde skilja mellan biologiska manliga och kvinnliga hjärnor genom att upptäcka mönster i struktur och komplexitet som var osynliga för det mänskliga ögat.
Resultaten validerades av tre olika AI-modeller som utformats för att identifiera biologiskt kön med hjälp av deras relativa styrkor i att antingen fokusera på små delar av vit substans eller analysera relationer över större regioner i hjärnan.
”Våra resultat ger en tydligare bild av hur en levande, mänsklig hjärna är uppbyggd, vilket i sin tur kan ge nya insikter om hur många psykiatriska och neurologiska sjukdomar utvecklas och varför de kan se olika ut hos män och kvinnor”, säger Yvonne Lui, MD, senior författare och neuroradiolog.
Lui, som är professor och vice ordförande för forskning vid Department of Radiology vid NYU Grossman School of Medicine, konstaterar att tidigare studier av hjärnans mikrostruktur till stor del har baserats på djurmodeller och vävnadsprover från människor. Dessutom har giltigheten av vissa av dessa tidigare resultat ifrågasatts eftersom de bygger på statistiska analyser av ”handritade” intresseområden, vilket innebär att forskarna behövde fatta många subjektiva beslut om formen, storleken och placeringen av de områden de valde. Sådana val kan potentiellt snedvrida resultaten, säger Lui.
De nya studieresultaten undvek det problemet genom att använda maskininlärning för att analysera hela grupper av bilder utan att be datorn att inspektera någon specifik plats, vilket hjälpte till att ta bort mänskliga fördomar, säger författarna.
För forskningen började teamet med att mata AI-program med befintliga dataexempel på hjärnskanningar från friska män och kvinnor och berättade också för maskinprogrammen det biologiska könet för varje hjärnskanning. Eftersom dessa modeller var utformade för att använda komplexa statistiska och matematiska metoder för att bli ”smartare” över tid när de samlade in mer data, ”lärde de sig” så småningom att skilja biologiskt kön på egen hand. Det är viktigt att programmen var begränsade från att använda hjärnans totala storlek och form för att göra sina bestämningar, säger Lui.
Enligt resultaten identifierade alla modeller korrekt kön på ämnesskanningar mellan 92% och 98% av tiden. Flera egenskaper hjälpte maskinerna att göra sina bestämningar, bland annat hur lätt och i vilken riktning vatten kunde röra sig genom hjärnvävnaden.
”De här resultaten visar hur viktigt det är med mångfald när man studerar sjukdomar som uppstår i den mänskliga hjärnan”, säger Junbo Chen, MS, som är doktorand vid NYU Tandon School of Engineering och en av studiens huvudförfattare.
”Om män, som historiskt sett har varit fallet, används som en standardmodell för olika sjukdomar kan forskarna gå miste om viktiga insikter”, tillägger studiens medförfattare Vara Lakshmi Bayanagari, MS, forskarassistent vid NYU Tandon School of Engineering.
Bayanagari varnar för att även om AI-verktygen kunde rapportera skillnader i hjärncellsorganisation, kunde de inte avslöja vilket kön som var mer benägna att ha vilka funktioner. Hon tillägger att studien klassificerade kön baserat på genetisk information och endast inkluderade MR-bilder från cis-könade män och kvinnor.
Enligt författarna planerar teamet nästa gång att utforska utvecklingen av könsrelaterade skillnader i hjärnstruktur över tid för att bättre förstå miljömässiga, hormonella och sociala faktorer som kan spela en roll i dessa förändringar.
Förutom Lui, Chen och Bayanagari var Sohae Chung, Ph.D., och Yao Wang, Ph.D., andra forskare vid NYU Langone Health och NYU som deltog i studien.
Ytterligare information: Deep Learning with Diffusion MRI as in vivo Microscope Reveals Sex-related Differences in Human White Matter Microstructure, Scientific Reports (2024).
