Imaginea cerebrală, învățarea automată pot ajuta la prezicerea riscului bolii mentale

Cercetătorii combină datele de imagistică a creierului și supercalculatoarele pentru a identifica tiparele din datele de neuroimagistică care pot ajuta la prezicerea riscului de tulburări mentale, cum ar fi depresia sau demența.

Depresia afectează peste 15 milioane de adulți americani, sau aproximativ 6,7 la sută din populația SUA, în fiecare an. Este principala cauză de handicap pentru cei cu vârste cuprinse între 15 și 44 de ani.

Dr. David Schnyer, neurolog științific cognitiv și profesor de psihologie la Universitatea Texas din Austin, a declarat că abilitatea de a prezice riscul bolilor mintale nu este o chestiune simplă.

El folosește un supercomputer pentru a instrui un algoritm de învățare automată care poate identifica puncte comune între sute de pacienți care utilizează scanări cerebrale prin imagistică prin rezonanță magnetică (RMN), date de genomică și alți factori relevanți, pentru a oferi previziuni precise ale riscului pentru cei cu depresie și anxietate. .

Cercetătorii au studiat mult timp tulburările mentale examinând relația dintre funcția și structura creierului în datele de neuroimagistică.

„O dificultate cu această lucrare este că este în primul rând descriptivă. Rețelele cerebrale pot părea să difere între două grupuri, dar nu ne spune despre ce tipare prezic efectiv în ce grup veți cădea ”, a spus Schnyer.

„Căutăm măsuri de diagnosticare predictive pentru rezultate precum vulnerabilitatea la depresie sau demență”.

În 2017, Schnyer, colaborând cu cercetători dintr-o varietate de universități, a finalizat o analiză a unui studiu de dovadă a conceptului care a folosit o abordare de învățare automată pentru a clasifica persoanele cu tulburare depresivă majoră cu o precizie de aproximativ 75%.

Co-anchetatorii au inclus dr. Peter Clasen (Facultatea de Medicină a Universității din Washington), Christopher Gonzalez (Universitatea din California, San Diego) și Christopher Beevers (Universitatea din Texas, Austin).

Învățarea automată este un subdomeniu al informaticii care implică construirea algoritmilor care pot „învăța” prin construirea unui model din datele de intrare eșantion, și apoi să facă predicții independente pe date noi.

Cercetătorii au furnizat un set de exemple de instruire, fiecare marcat ca aparținând fie persoanelor sănătoase, fie celor care au fost diagnosticați cu depresie. Schnyer și echipa sa au etichetat în datele lor caracteristici semnificative, iar aceste exemple au fost folosite pentru a instrui sistemul.

Un computer a scanat apoi datele, a găsit conexiuni subtile între părțile disparate și a construit un model care atribuie noi exemple unei categorii sau altei.

În cadrul studiului, Schnyer a analizat datele creierului de la 52 de participanți care au nevoie de tratament cu depresie și 45 de participanți la controlul sănătății. Pentru a compara grupurile, aceștia au potrivit un subset de participanți deprimați cu indivizi sănătoși în funcție de vârstă și sex, aducând dimensiunea eșantionului la 50.

Participanții au primit scanări RMN prin difuziune cu tensor (DTI), care etichetează moleculele de apă pentru a determina măsura în care aceste molecule sunt difuzate microscopic în creier în timp.

Anchetatorii au comparat măsurătorile rezultate între cele două grupuri și au găsit diferențe semnificative statistic. Apoi au redus datele implicate la un subset care era cel mai relevant pentru clasificare și au efectuat clasificarea și predicția folosind abordarea de învățare automată.

„Hrănim date cerebrale întregi sau un subset și predicem clasificările bolii sau orice măsură comportamentală potențială, cum ar fi măsurile de prejudecată a informațiilor negative”, spune el.

Studiul a arătat că datele creierului pot clasifica cu precizie indivizii deprimați sau vulnerabili față de controalele sănătoase. De asemenea, a arătat că informațiile predictive sunt distribuite în rețelele creierului, mai degrabă decât să fie foarte localizate.

„Nu numai că învățăm că putem clasifica persoanele depresive față de persoanele care nu sunt deprimate utilizând date DTI, învățăm și ceva despre modul în care depresia este reprezentată în creier”, a spus Beevers, profesor de psihologie și director al Institutului pentru Sănătate Mentală Cercetări la Universitatea din Texas, Austin.

„Mai degrabă decât să încercăm să găsim zona care este întreruptă în depresie, învățăm că modificările dintr-o serie de rețele contribuie la clasificarea depresiei”.

Scara și complexitatea problemei necesită o abordare de învățare automată. Fiecare creier este reprezentat de aproximativ 175.000 de voxeli și detectarea unei relații complexe între un număr atât de mare de componente prin examinarea scanărilor este practic imposibilă.

Din acest motiv, echipa folosește învățarea automată pentru a automatiza procesul de descoperire.

„Acesta este valul viitorului”, spune Schnyer.„Vedem un număr din ce în ce mai mare de articole și prezentări la conferință despre aplicarea învățării automate pentru a rezolva problemele dificile din neuroștiințe.”

Rezultatele sunt promițătoare, dar încă nu sunt suficient de clare pentru a fi utilizate ca metrică clinică. Cu toate acestea, Schnyer consideră că prin adăugarea mai multor date - legate nu numai de scanările RMN, ci și de la genomică și alte clasificatoare, sistemul se poate descurca mult mai bine.

„Unul dintre avantajele învățării automate, comparativ cu abordările mai tradiționale, este acela că învățarea automată ar trebui să crească probabilitatea ca ceea ce observăm în studiul nostru să se aplice seturilor de date noi și independente. Adică ar trebui să se generalizeze la date noi ”, a spus Beevers.

„Aceasta este o întrebare critică pe care suntem foarte încântați să o testăm în studiile viitoare.”

Sursa: Universitatea Texas din Austin, Texas Advanced Computing Center