Az agyi képalkotás, a gépi tanulás segíthet megjósolni a mentális betegség kockázatát

A kutatók ötvözik az agyi képalkotó adatokat és a szuperszámítógépeket, hogy azonosítsák az idegképalkotó adatok mintáit, amelyek segíthetnek megjósolni a mentális rendellenességek, például a depresszió vagy a demencia kockázatát.

A depresszió évente több mint 15 millió amerikai felnőttet, vagyis az Egyesült Államok lakosságának körülbelül 6,7 százalékát érinti. A 15 és 44 év közöttiek fogyatékosságának fő oka.

Dr. David Schnyer, a kognitív idegtudós és az austini Texasi Egyetem pszichológus professzora szerint a mentális betegség kockázatának előrejelzési képessége nem egyszerű.

Szuperszámítógéppel olyan gépi tanulási algoritmust képez ki, amely képes azonosítani a betegek százainak közös vonásait a mágneses rezonancia képalkotás (MRI) agyi szkennelései, genomikai adatai és egyéb releváns tényezők segítségével, hogy pontosan megjósolják a depresszióban és szorongásban szenvedők kockázatát. .

A kutatók régóta tanulmányozták a mentális rendellenességeket, az agy működésének és a szerkezetnek a kapcsolatát vizsgálva az idegépképes adatokban.

„Ennek a munkának az egyik nehézsége, hogy elsősorban leíró. Úgy tűnhet, hogy az agyhálózatok két csoport között különböznek, de nem árul el arról, hogy milyen minták jósolják meg, melyik csoportba kerülsz ”- mondta Schnyer.

"Olyan diagnosztikai intézkedéseket keresünk, amelyek előrejelzik az olyan kimeneteleket, mint a depresszióval szembeni sérülékenység vagy a demencia."

2017-ben Schnyer, a különféle egyetemek kutatóival együttműködve, befejezte a koncepciókon alapuló tanulmány elemzését, amely gépi tanulási megközelítést alkalmazva a súlyos depressziós rendellenességben szenvedő személyeket nagyjából 75 százalékos pontossággal osztályozta.

A társnyomozók között volt Dr. Peter Clasen (Washingtoni Egyetem Orvostudományi Kar, Christopher Gonzalez (Kaliforniai Egyetem, San Diego) és Christopher Beevers (Texasi Egyetem, Austin).

A gépi tanulás a számítástechnika egyik részterülete, amely olyan algoritmusok felépítését foglalja magában, amelyek „tanulni” tudnak, ha mintadatbevitelekből modellt építenek, majd független előrejelzéseket tesznek az új adatokra.

A kutatók egy sor képzési példát szolgáltattak, amelyek mindegyike egészséges egyének vagy depresszióval diagnosztizált személyeké. Schnyer és csapata értelmes tulajdonságokat jelölt meg az adataikban, és ezeket a példákat használták a rendszer kiképzésére.

Ezután egy számítógép beolvasta az adatokat, finom kapcsolatokat talált az eltérő részek között, és létrehozott egy olyan modellt, amely új példákat rendel az egyik vagy a másik kategóriához.

A tanulmányban Schnyer 52, depresszióval kezelt, és 45 kontrollos résztvevő agyadatait elemezte. A csoportok összehasonlítása érdekében a depressziós résztvevők egy csoportját egyeztették életkor és nem alapján egészséges egyénekkel, így a minta nagysága 50 volt.

A résztvevők diffúziós tenzor képalkotás (DTI) MRI vizsgálatokat kaptak, amelyek a vízmolekulákat megcímkézik annak meghatározása érdekében, hogy ezek a molekulák mikroszkopikusan diffundálódnak az agyban az idő múlásával.

A kutatók összehasonlították az eredményeket a két csoport között, és statisztikailag szignifikáns különbségeket találtak. Ezután az érintett adatokat egy olyan részhalmazra redukálták, amely a besorolás szempontjából a legrelevánsabb volt, és a gépi tanulás megközelítésével hajtották végre az osztályozást és az előrejelzést.

"Teljes agyadatokat vagy egy részhalmazt táplálunk, és megjósoljuk a betegség osztályozását vagy bármilyen lehetséges viselkedési mérőszámot, például a negatív információs torzítás mértékét" - mondja.

A tanulmány feltárta, hogy az agyadatok pontosan besorolhatják a depressziós vagy kiszolgáltatott egyéneket az egészséges kontrollokhoz képest. Ez azt is kimutatta, hogy a prediktív információ az agyi hálózatok között oszlik meg, nem pedig erősen lokalizálva.

"Nemcsak azt tanultuk, hogy a DTI-adatok felhasználásával osztályozhatjuk a depressziós és a nem depressziós embereket, hanem arról is, hogy hogyan ábrázolják a depressziót az agyban" - mondta Beevers, a pszichológia professzora és a Mentális Egészségügyi Intézet igazgatója. Kutatás a texasi egyetemen, Austin.

"Ahelyett, hogy megpróbálnánk megtalálni a depresszióban zavart területet, azt tanuljuk, hogy a változások számos hálózatban hozzájárulnak a depresszió osztályozásához."

A probléma nagysága és összetettsége gépi tanulási megközelítést tesz szükségessé. Mindegyik agyat nagyjából 175 000 voxel képviseli, és az ilyen nagyszámú összetevő közötti komplex kapcsolat kimutatása a szkennelések segítségével gyakorlatilag lehetetlen.

Ezért a csapat gépi tanulással automatizálja a felfedezési folyamatot.

"Ez a jövő hulláma" - mondja Schnyer."Egyre több cikket és előadást látunk a gépi tanulás alkalmazásával foglalkozó konferencián az idegtudomány nehéz problémáinak megoldására."

Az eredmények ígéretesek, de még nem elég egyértelműek ahhoz, hogy klinikai mérőszámként felhasználhatók legyenek. Schnyer azonban úgy véli, hogy a rendszer sokkal jobb eredményt hozhat nemcsak az MRI-vizsgálatokhoz, hanem a genomikához és más osztályozókhoz kapcsolódó adatokkal is.

„A gépi tanulás egyik előnye a hagyományosabb megközelítésekhez képest az, hogy a gépi tanulásnak növelnie kell annak valószínűségét, hogy amit tanulmányunk során megfigyelünk, az új és független adatkészletekre is érvényes lesz. Vagyis új adatokra kell általánosítania ”- mondta Beevers.

"Ez egy kritikus kérdés, amelyet nagyon izgatottan tesztelünk a jövőbeni tanulmányokban."

Forrás: Texasi Egyetem, Austin, Texas Advanced Computing Center