Zobrazování mozku, strojové učení může pomoci předvídat riziko duševních chorob

Vědci kombinují údaje o zobrazování mozku a superpočítačích, aby identifikovali vzorce v datech neuroimagingu, které mohou pomoci předpovědět riziko duševních poruch, jako je deprese nebo demence.

Deprese postihuje každý rok více než 15 milionů dospělých Američanů, tedy přibližně 6,7 procenta populace USA. Je hlavní příčinou zdravotního postižení u osob ve věku od 15 do 44 let.

Dr. David Schnyer, kognitivní neurolog a profesor psychologie na Texaské univerzitě v Austinu, uvedl, že schopnost předpovídat riziko duševních chorob není jednoduchá záležitost.

Pomocí superpočítače trénuje algoritmus strojového učení, který dokáže identifikovat společné rysy stovek pacientů pomocí skenů mozku pomocí magnetické rezonance (MRI), genomických dat a dalších relevantních faktorů, aby poskytl přesné předpovědi rizika pro osoby s depresí a úzkostí. .

Vědci dlouho studovali duševní poruchy zkoumáním vztahu mezi funkcí mozku a strukturou v datech neuroimagingu.

"Jedním z problémů této práce je, že je především popisná." Může se zdát, že se mozkové sítě mezi dvěma skupinami liší, ale neříká nám to o tom, jaké vzorce ve skutečnosti předpovídají, do které skupiny spadnete, “řekl Schnyer.

"Hledáme diagnostická opatření, která jsou prediktivní pro výsledky, jako je zranitelnost vůči depresi nebo demenci."

V roce 2017 společnost Schnyer ve spolupráci s výzkumnými pracovníky z různých univerzit dokončila analýzu studie proof-of-concept, která ke klasifikaci osob s velkou depresivní poruchou s přesností zhruba 75 procent použila přístup strojového učení.

Spoluřešitelé zahrnovali Dr. Peter Clasen (Lékařská fakulta University of Washington), Christopher Gonzalez (University of California, San Diego) a Christopher Beevers (University of Texas, Austin).

Strojové učení je podpole výpočetní techniky, které zahrnuje konstrukci algoritmů, které se mohou „naučit“ vytvořením modelu ze vstupů ukázkových dat a poté provádět nezávislé předpovědi nových dat.

Vědci poskytli soubor příkladů tréninku, z nichž každý byl označen jako patřící buď zdravým jedincům, nebo těm, u kterých byla diagnostikována deprese. Schnyer a jeho tým označili ve svých datech funkce, které byly smysluplné, a tyto příklady byly použity k trénování systému.

Počítač poté naskenoval data, našel jemné spojení mezi různorodými částmi a vytvořil model, který přiřadí nové příklady jedné nebo druhé kategorii.

Ve studii Schnyer analyzoval mozková data od 52 účastníků, kteří hledali léčbu s depresí, a 45 zdravých účastníků kontroly. Pro srovnání skupin srovnali podmnožinu depresivních účastníků se zdravými jedinci podle věku a pohlaví, čímž se velikost vzorku zvýšila na 50.

Účastníci obdrželi MRI skeny pro difúzní tenzorové zobrazování (DTI), které označují molekuly vody, aby určily, do jaké míry jsou tyto molekuly v čase mikroskopicky rozptýleny v mozku.

Vyšetřovatelé porovnali výsledná měření mezi oběma skupinami a zjistili statisticky významné rozdíly. Poté snížili příslušná data na podmnožinu, která byla pro klasifikaci nejrelevantnější, a provedli klasifikaci a predikci pomocí přístupu strojového učení.

"Poskytujeme údaje z celého mozku nebo podmnožinu a předpovídáme klasifikace nemocí nebo jakékoli potenciální behaviorální opatření, jako jsou míry zkreslení negativních informací," říká.

Studie odhalila, že údaje o mozku mohou přesně klasifikovat depresivní nebo zranitelné jedince oproti zdravým kontrolám. Ukázalo se také, že prediktivní informace jsou distribuovány napříč mozkovými sítěmi, spíše než aby byly vysoce lokalizovány.

"Nejen, že jsme se učili, že můžeme klasifikovat depresivní a nedepresivní lidi pomocí dat DTI, ale také se učíme něco o tom, jak je deprese zastoupena v mozku," řekl Beevers, profesor psychologie a ředitel Institutu pro duševní zdraví Výzkum na University of Texas, Austin.

"Spíše než se snažit najít oblast, která je narušena depresí, se učíme, že změny v celé řadě sítí přispívají ke klasifikaci deprese."

Rozsah a složitost problému vyžaduje přístup strojového učení. Každý mozek je zastoupen zhruba 175 000 voxely a detekce složitého vztahu mezi tak velkým počtem komponent při pohledu na skeny je prakticky nemožná.

Z tohoto důvodu tým používá strojové učení k automatizaci procesu zjišťování.

"Toto je vlna budoucnosti," říká Schnyer."Vidíme rostoucí počet článků a prezentací na konferenci o aplikaci strojového učení k řešení obtížných problémů v neurovědě."

Výsledky jsou slibné, ale zatím nejsou dostatečně jasné, aby mohly být použity jako klinická metrika. Schnyer se však domnívá, že přidáním více dat souvisejících nejen se skenováním MRI, ale také z genomiky a dalších klasifikátorů může systém dosáhnout mnohem lepších výsledků.

„Jednou z výhod strojového učení ve srovnání s tradičnějšími přístupy je to, že strojové učení by mělo zvýšit pravděpodobnost, že to, co sledujeme v naší studii, bude platit pro nové a nezávislé datové sady. To znamená, že by se to mělo zobecnit na nová data, “řekl Beevers.

"Toto je zásadní otázka, kterou jsme opravdu nadšení pro testování v budoucích studiích."

Zdroj: University of Texas at Austin, Texas Advanced Computing Center