Ученые разработали вычислительную систему на основе контрастивного обучения, которая с точностью 86% отличила пациентов с большим депрессивным расстройством от здоровых людей. В ее основе лежат два алгоритма, которые ищут различия в МРТ-снимках головного мозга. Разработка позволит точнее диагностировать клиническую депрессию у людей на ранних стадиях, когда изменения в поведении только начинают проявляться. Результаты исследования, поддержанного грантом Российского научного фонда (РНФ), опубликованы в журнале Chaos, Solitons and Fractals.
У людей с большим депрессивным расстройством меняется работа некоторых отделов головного мозга, нарушается синтез молекул, передающих сигналы между нейронами, а также возникает окислительный стресс, вызывающий гибель клеток мозга. Однако до сих пор нет методов, которые позволили бы однозначно определить большое депрессивное расстройство у человека на начальных стадиях заболевания. Потенциально улучшить диагностику этого расстройства можно с помощью технологий машинного обучения. Однако такие алгоритмы должны уметь анализировать большое количество признаков, различающихся между пациентами, и отличать особенности работы мозга здоровых людей и пациентов с депрессией, которые часто оказываются очень похожими.
Ученые из Российского экономического университета имени Г.В. Плеханова (Москва) с коллегами разработали вычислительную систему, позволяющую четко различить пациентов с депрессией и здоровых людей. Исследователи использовали данные о работе головного мозга, полученные с помощью функциональной магнитно-резонансной томографии от 70 пациентов с диагнозом «большое депрессивное расстройство» и 70 здоровых участников.
Авторы применили две технологии машинного обучения для анализа снимков. Сначала алгоритм из исходных данных выбирал особенности сетевой организации мозга, лучше всего отражающие изменения в поведении, например изменения в связях лобной коры. Затем исследователи использовали контрастивный подход, при котором программа старалась найти различия в выделенных на предыдущем этапе признаках между пациентами с депрессией и здоровыми людьми, не учитывая различия внутри каждой из групп. Такое решение, в отличие от традиционных методов, позволило обнаружить небольшие, но клинически значимые изменения в строении мозга, отличающие пациентов от контрольной группы.
В результате авторы смогли с точностью 86% различить здоровых людей и пациентов с депрессией. Для сравнения, традиционные методы исследования, включающие клиническую оценку, показали точность около 50%, что близко к вероятности случайного выбора. Ученые также подтвердили, что большое депрессивное расстройство — это не очаговая патология. Оно связано с нарушением работы многих нейронных сетей в головном мозге. Так, предложенный подход указал на 20 основных связей, играющих роль в развитии депрессии, тогда как традиционные методы выявили только пять из них.
«Мы разработали объективный и интерпретируемый инструмент для ранней диагностики депрессии — одной из наиболее значимых причин нетрудоспособности населения. Наш метод позволяет выявлять скрытые нарушения во взаимодействии крупных сетей мозга, неразличимые традиционными способами. Таким образом, предложенный алгоритм увеличит точность диагностики и откроет путь к более персонализированному подходу к лечению, способствуя повышению качества жизни пациентов и снижению социально-экономического бремени заболевания. В дальнейшем мы планируем применить разработанный подход к другим психиатрическим и неврологическим заболеваниям, таким как шизофрения и биполярное расстройство. Кроме того, расширение предложенной концепции на динамическую функциональную связность или показатели теории графов может позволить учесть временные и топологические (пространственные) нюансы, которые в настоящее время упускаются из виду», — рассказывает участник проекта, поддержанного грантом РНФ, Семен Куркин, доктор физико-математических наук, главный научный сотрудник НИИ прикладного искусственного интеллекта и цифровых решений Российского экономического университета имени Г.В. Плеханова.
Также в исследовании приняли участие специалисты из Медицинского университета в Пловдиве (Болгария), Стратегической программы исследований и инноваций для развития MU-Plovdiv (SRIPD-MUP) (Болгария) и Государственного института русского языка имени А.С. Пушкина (Москва).
Подписывайтесь на InScience.News в социальных сетях: ВКонтакте, Telegram, Одноклассники.
