Ajukuvamine, masinõpe võivad aidata ennustada vaimuhaiguste riski

Teadlased ühendavad aju pildistamise andmed ja superarvutid, et tuvastada neurokujutiste andmete mustreid, mis võivad aidata ennustada vaimsete häirete, näiteks depressiooni või dementsuse riski.

Depressioon mõjutab igal aastal enam kui 15 miljonit Ameerika täiskasvanut ehk umbes 6,7 protsenti USA elanikkonnast. See on 15–44-aastaste puuete peamine põhjus.

Kognitiivne neuroteadlane ja Austini Texase ülikooli psühholoogiaprofessor dr David Schnyer ütles, et võime ennustada vaimuhaiguste riski ei ole lihtne.

Ta kasutab superarvutit masinõppe algoritmi koolitamiseks, mis võimaldab tuvastada sadade patsientide ühiseid jooni, kasutades magnetresonantstomograafia (MRI) aju skaneeringuid, genoomika andmeid ja muid asjakohaseid tegureid, et pakkuda depressiooni ja ärevusega inimeste jaoks täpset riski prognoosi. .

Teadlased on pikka aega uurinud psüühikahäireid, uurides neurofotograafiliste andmete ajufunktsiooni ja struktuuri suhet.

"Selle töö üks raskusi on see, et see on peamiselt kirjeldav. Ajuvõrgud võivad kahe rühma vahel erineda, kuid see ei ütle meile, millised mustrid tegelikult ennustavad, millisesse rühma te kuulute, ”ütles Schnyer.

"Otsime diagnostilisi abinõusid, mis ennustavad selliseid tulemusi nagu haavatavus depressiooni või dementsuse suhtes."

2017. aastal viis Schnyer koos paljude ülikoolide teadlastega lõpule kontseptsioonipõhise uuringu analüüsi, milles masinõppe meetodi abil klassifitseeriti raske depressiivse häirega isikud umbes 75-protsendilise täpsusega.

Kaasuurijate hulgas oli dr. Peter Clasen (Washingtoni ülikooli meditsiinikool), Christopher Gonzalez (California ülikool, San Diego) ja Christopher Beevers (Texase ülikool, Austin).

Masinõpe on arvutiteaduse alavaldkond, mis hõlmab algoritmide konstrueerimist, mis suudavad näidisandmete sisenditest mudeli ehitamise abil "õppida" ja seejärel uute andmete kohta iseseisvalt ennustada.

Teadlased esitasid hulga koolitusnäiteid, millest igaüks oli märgitud kas tervetele inimestele või neile, kellel on diagnoositud depressioon. Schnyer ja tema meeskond sildistasid oma andmetes funktsioonid, mis olid mõttekad, ja neid näiteid kasutati süsteemi koolitamiseks.

Seejärel skaneeris arvuti andmeid, leidis peent seoseid erinevate osade vahel ja ehitas mudeli, mis määrab ühele või teisele kategooriale uued näited.

Uuringus analüüsis Schnyer 52 depressiooniga ravi otsinud osaleja ja 45 tervisekontrollist osavõtja ajude andmeid. Rühmade võrdlemiseks sobitasid nad depressioonis osalejate alamhulga tervete inimestega vanuse ja soo põhjal, tuues valimi suuruse 50-ni.

Osalejad said difusioonitensorkujutise (DTI) MRI skaneeringud, mis märgistasid veemolekule, et määrata, mil määral need molekulid ajus mikroskoopiliselt hajuvad.

Uurijad võrdlesid saadud tulemusi kahe rühma vahel ja leidsid statistiliselt olulised erinevused. Seejärel vähendasid nad andmed klassifitseerimisel kõige olulisemaks alamhulgaks ning viisid klassifitseerimise ja ennustamise läbi masinõppe meetodil.

"Toidame kogu aju andmeid või alamhulka ja prognoosime haiguste klassifikatsiooni või mis tahes potentsiaalset käitumismõõtu, näiteks negatiivse teabe kallutatuse näitajaid," ütleb ta.

Uuringust selgus, et ajuandmetega saab depressioonis olevaid või haavatavaid isikuid tervislike kontrollgruppidega täpselt klassifitseerida. Samuti näitas see, et ennustavat teavet jaotatakse ajuvõrkude vahel, selle asemel, et see oleks väga lokaliseeritud.

"Mitte ainult ei õpitud, et DTI andmete abil saaksime klassifitseerida depressioonis olevaid inimesi kui ka depressioonita inimesi, vaid õpime ka midagi selle kohta, kuidas depressioon on ajus esindatud," ütles psühholoogiaprofessor ja vaimse tervise instituudi direktor Beevers. Teadustöö Texase ülikoolis Austinis.

"Selle asemel, et proovida leida depressioonis häiritud piirkonda, õpime, et paljude võrkude muutused aitavad depressiooni klassifitseerida."

Probleemi ulatus ja keerukus nõuab masinõppe lähenemist. Kõiki aju esindab umbes 175 000 vokslit ja nii suure hulga komponentide keeruka seose tuvastamine skaneeringute vaatamise abil on praktiliselt võimatu.

Sel põhjusel kasutab meeskond avastamisprotsessi automatiseerimiseks masinõpet.

"See on tuleviku laine," ütleb Schnyer."Konverentsil näeme üha rohkem artikleid ja ettekandeid masinõppe rakendamise kohta neuroteaduse keeruliste probleemide lahendamiseks."

Tulemused on paljulubavad, kuid pole veel piisavalt selged, et neid kliinilise mõõdikuna kasutada. Kuid Schnyer usub, et kui lisada rohkem andmeid, mis on seotud mitte ainult MRI uuringute, vaid ka genoomika ja muude klassifikaatoritega, saab süsteem palju paremini hakkama.

„Masinõppe üks eeliseid võrreldes traditsioonilisemate lähenemisviisidega on see, et masinõpe peaks suurendama tõenäosust, et see, mida meie uuringus täheldame, kehtib uute ja sõltumatute andmekogumite kohta. See tähendab, et see peaks üldistama uutele andmetele, ”ütles Beevers.

"See on kriitiline küsimus, mida oleme tulevastes uuringutes väga põnevil testida."

Allikas: Texase ülikool Austinis, Texas Advanced Computing Center