Slikanje možganov, strojno učenje lahko pomaga napovedati tveganje za duševne bolezni

Raziskovalci združujejo podatke o slikanju možganov in superračunalnike, da bi identificirali vzorce v podatkih o nevrosliko, ki lahko pomagajo predvideti tveganje za duševne motnje, kot sta depresija ali demenca.

Depresija vsako leto prizadene več kot 15 milijonov odraslih Američanov ali približno 6,7 odstotka prebivalstva ZDA. Je glavni vzrok invalidnosti za osebe med 15. in 44. letom starosti.

Dr. David Schnyer, kognitivni nevroznanstvenik in profesor psihologije na Univerzi v Teksasu v Austinu, je dejal, da sposobnost predvidevanja tveganja za duševne bolezni ni preprosta stvar.

Uporablja superračunalnik za urjenje algoritma strojnega učenja, ki lahko identificira skupne značilnosti med stotinami bolnikov z uporabo slik magnetne resonance (MRI), slikanjem možganov, genomičnimi podatki in drugimi pomembnimi dejavniki, da zagotovi natančne napovedi tveganja za tiste z depresijo in tesnobo. .

Raziskovalci že dolgo preučujejo duševne motnje s preučevanjem povezave med možgansko funkcijo in strukturo v podatkih o nevrosliko.

»Ena težava pri tem delu je, da je predvsem opisno. Zdi se, da se možganske mreže med obema skupinama razlikujejo, vendar nam ne pove o tem, v katere vzorce dejansko napovedujemo, v katero skupino boste spadali, «je dejal Schnyer.

"Iščemo diagnostične ukrepe, ki napovedujejo rezultate, kot so ranljivost za depresijo ali demenco."

Leta 2017 je Schnyer v sodelovanju z raziskovalci z različnih univerz zaključil analizo študije dokazov o konceptu, ki je s pristopom strojnega učenja klasificirala posameznike z veliko depresivno motnjo s približno 75-odstotno natančnostjo.

Soraziskovalci so vključevali dr. Peter Clasen (Medicinska fakulteta Univerze v Washingtonu), Christopher Gonzalez (Univerza v Kaliforniji, San Diego) in Christopher Beevers (Univerza v Teksasu, Austin).

Strojno učenje je podpolje računalništva, ki vključuje gradnjo algoritmov, ki se lahko "učijo" z gradnjo modela iz vzorčnih vhodnih podatkov in nato neodvisno napovedujejo nove podatke.

Raziskovalci so zagotovili vrsto primerov usposabljanja, ki so bili označeni kot zdravi posamezniki ali tisti, ki jim je bila diagnosticirana depresija. Schnyer in njegova ekipa so v svojih podatkih označili pomembne funkcije in ti primeri so bili uporabljeni za usposabljanje sistema.

Nato je računalnik podatke optično prebral, našel prefinjene povezave med različnimi deli in zgradil model, ki eni ali drugi kategoriji dodeli nove primere.

V študiji je Schnyer analiziral možganske podatke 52 udeležencev, ki so iskali zdravljenje z depresijo, in 45 udeležencev, ki so imeli nadzor nad zdravjem. Za primerjavo skupin so primerjali podskupino depresivnih udeležencev z zdravimi posamezniki glede na starost in spol, tako da je velikost vzorca znašala 50.

Udeleženci so prejeli slikanje z magnetno resonanco s pomočjo difuzijskega tenzorja (DTI), ki označuje molekule vode, da določi, v kolikšni meri se te molekule skozi čas mikroskopsko razpršijo v možganih.

Preiskovalci so primerjali nastale meritve med obema skupinama in ugotovili statistično pomembne razlike. Nato so vključene podatke zmanjšali na podskupino, ki je bila najpomembnejša za razvrščanje, in izvedli razvrščanje in napovedovanje s pristopom strojnega učenja.

"Vnesemo celotne podatke o možganih ali njihove podskupine in napovedujemo klasifikacije bolezni ali morebitne vedenjske ukrepe, kot so merila pristranskosti negativnih informacij," pravi.

Študija je pokazala, da podatki o možganih lahko natančno razvrstijo depresivne ali ranljive posameznike v primerjavi z zdravimi kontrolami. Pokazalo je tudi, da se napovedne informacije distribuirajo po možganskih omrežjih, namesto da bi bile zelo lokalizirane.

"Ne samo, da smo se učili, da lahko z uporabo podatkov o DTI razvrstimo depresivne in nedepresivne ljudi, naučimo se tudi o tem, kako je depresija zastopana v možganih," je dejal Beevers, profesor psihologije in direktor Inštituta za duševno zdravje Raziskave na Univerzi v Teksasu v Austinu.

"Namesto da bi poskušali najti območje, ki je moteno zaradi depresije, spoznavamo, da spremembe v številnih omrežjih prispevajo k klasifikaciji depresije."

Zaradi obsega in zapletenosti problema je potreben pristop strojnega učenja. Vsak možgan je predstavljen s približno 175.000 vokseli in zaznati zapleteno razmerje med tako velikim številom komponent s pomočjo skeniranja je praktično nemogoče.

Iz tega razloga ekipa s strojnim učenjem avtomatizira postopek odkrivanja.

"To je val prihodnosti," pravi Schnyer."Na konferenci opažamo vse več člankov in predstavitev o uporabi strojnega učenja za reševanje težkih težav v nevroznanosti."

Rezultati so obetavni, vendar še ne dovolj jasni, da bi jih lahko uporabili kot klinično metriko. Schnyer pa verjame, da lahko sistem z veliko dodajanjem več podatkov, povezanih ne samo z magnetno resonanco, ampak tudi iz genomike in drugih klasifikatorjev, postane veliko boljši.

»Ena od prednosti strojnega učenja v primerjavi z bolj tradicionalnimi pristopi je, da bi strojno učenje povečalo verjetnost, da bo tisto, kar opažamo v naši študiji, veljalo za nove in neodvisne nabore podatkov. To pomeni, da bi moralo posploševati na nove podatke, «je dejal Beevers.

"To je kritično vprašanje, ki ga bomo z veseljem preizkusili v prihodnjih študijah."

Vir: Univerza v Teksasu v Austinu, Teksaški napredni računalniški center