Snimanje mozga, strojno učenje mogu pomoći u predviđanju rizika od mentalnih bolesti

Istraživači kombiniraju podatke o slikanju mozga i superračunala kako bi identificirali obrasce u neuroimaging podacima koji mogu pomoći u predviđanju rizika za mentalne poremećaje poput depresije ili demencije.

Depresija svake godine pogađa više od 15 milijuna odraslih Amerikanaca ili oko 6,7 posto američkog stanovništva. Vodeći je uzrok invaliditeta za osobe u dobi između 15 i 44 godine.

Doktor David Schnyer, kognitivni neuroznanstvenik i profesor psihologije sa Sveučilišta Texas u Austinu, rekao je da sposobnost predviđanja rizika za mentalne bolesti nije jednostavna stvar.

Koristi superračunalo za treniranje algoritma strojnog učenja koji može identificirati zajedničke karakteristike među stotinama pacijenata korištenjem magnetske rezonancije (MRI) skeniranja mozga, genomskih podataka i drugih relevantnih čimbenika, kako bi pružio točne predviđanja rizika za one s depresijom i anksioznošću ,

Istraživači su dugo proučavali mentalne poremećaje istražujući odnos između funkcije mozga i strukture u podacima neuroimaginga.

“Jedna je poteškoća s tim radom što je prvenstveno opisan. Možda se čini da se moždane mreže razlikuju između dviju skupina, ali ne govori nam o tome koji obrasci zapravo predviđaju u koju ćete skupinu spadati - rekao je Schnyer.

"Tražimo dijagnostičke mjere koje predviđaju ishode poput ranjivosti na depresiju ili demenciju."

2017. godine Schnyer je, radeći s istraživačima s različitih sveučilišta, dovršio analizu studije dokaza-koncepta koja je koristila pristup strojnom učenju za klasifikaciju osoba s velikim depresivnim poremećajem s otprilike 75 posto točnosti.

Među istražiteljima su bili i Dr. Peter Clasen (Medicinski fakultet Sveučilišta Washington), Christopher Gonzalez (University of California, San Diego) i Christopher Beevers (University of Texas, Austin).

Strojno učenje je potpolje računalne znanosti koje uključuje izgradnju algoritama koji mogu "učiti" gradeći model iz uzoraka podataka uzoraka, a zatim samostalno prognozirati nove podatke.

Istraživači su pružili niz primjera treninga, od kojih je svaki označen da pripada ili zdravim osobama ili onima kojima je dijagnosticirana depresija. Schnyer i njegov tim označili su značajke svojih podataka značajnim, a ti su primjeri korišteni za obuku sustava.

Računalo je zatim skeniralo podatke, pronašlo suptilne veze između različitih dijelova i izgradilo model koji jednoj ili drugoj kategoriji dodjeljuje nove primjere.

U studiji je Schnyer analizirao podatke o mozgu od 52 sudionika koji su tražili liječenje s depresijom i 45 sudionika koji kontroliraju heathy. Kako bi usporedili skupine, podudarali su podskupinu depresivnih sudionika sa zdravim osobama na temelju dobi i spola, povećavajući uzorak na 50.

Sudionici su dobili MRI snimke s difuznim tenzorskim slikanjem (DTI), kojima se molekule vode obilježavaju kako bi se utvrdilo u kojoj su mjeri molekule mikroskopski difundirane u mozgu tijekom vremena.

Istražitelji su usporedili rezultirajuća mjerenja između dvije skupine i utvrdili statistički značajne razlike. Zatim su svedene podatke sveli na podskup koji je najrelevantniji za klasifikaciju i izvršili su klasifikaciju i predviđanje koristeći pristup strojnom učenju.

"Unosimo podatke o cijelom mozgu ili podskupinu i predviđamo klasifikacije bolesti ili bilo koje potencijalne mjere ponašanja, poput mjera pristranosti negativnih informacija", kaže on.

Studija je otkrila da podaci o mozgu mogu precizno klasificirati depresivne ili ranjive osobe u odnosu na zdravu kontrolu. Također je pokazalo da se prediktivne informacije distribuiraju kroz moždane mreže, a ne da su visoko lokalizirane.

"Ne samo da smo učili da možemo klasificirati depresivne naspram ne-depresivnih ljudi koristeći DTI podatke, već učimo i nešto o tome kako je depresija zastupljena u mozgu", rekao je Beevers, profesor psihologije i direktor Instituta za mentalno zdravlje Istraživanje na Sveučilištu Texas u Austinu.

"Umjesto da pokušavamo pronaći područje koje je poremećeno depresijom, mi učimo da promjene na brojnim mrežama doprinose klasifikaciji depresije."

Razmjeri i složenost problema zahtijevaju pristup strojnom učenju. Svaki mozak predstavljen je s otprilike 175 000 voksela, a otkrivanje složenog odnosa između tako velikog broja komponenata gledanjem snimaka praktički je nemoguće.

Iz tog razloga tim koristi strojno učenje za automatizaciju procesa otkrivanja.

"Ovo je val budućnosti", kaže Schnyer."Vidimo sve veći broj članaka i prezentacija na konferenciji o primjeni strojnog učenja za rješavanje teških problema u neuroznanosti."

Rezultati su obećavajući, ali još nedovoljno jasni da bi se mogli koristiti kao klinička metrika. Međutim, Schnyer vjeruje da dodavanjem više podataka koji se odnose ne samo na magnetsku rezonancu, već i iz genomike i drugih klasifikatora, sustav može učiniti puno bolje.

„Jedna od blagodati strojnog učenja u usporedbi s tradicionalnijim pristupima jest da bi strojno učenje trebalo povećati vjerojatnost da će se ono što primijetimo u našem istraživanju primijeniti na nove i neovisne skupove podataka. Odnosno, trebao bi generalizirati na nove podatke ”, rekao je Beevers.

"Ovo je kritično pitanje koje ćemo zaista rado testirati u budućim studijama."

Izvor: Sveučilište Teksas u Austinu, Teksaški napredni računski centar