4 июля 2023, 21:00

Алгоритм распознал глобальные особенности в мозге людей с депрессией

Ученые разработали интерпретируемый подход, позволяющий диагностировать депрессивное расстройство с точностью 82,6% по определенным показателям нервной системы пациентов. Для этого авторы по снимкам активности мозга строили функциональные сети, отражающие взаимодействия разных отделов головного мозга больных и здоровых людей. Затем, оценивая характеристики каждого узла и связи между ними, исследователи проводили классификацию больных и здоровых людей. Новая технология потенциально может использоваться в клинической практике при постановке диагноза.

Алгоритм распознал глобальные особенности в мозге людей с депрессией
Графовое представление восстановленной функциональной сети головного мозга (отброшены слабые связи)
Источник: Андрей Андреев

Большое депрессивное расстройство — это распространенное психическое заболевание, от которого страдает около 280 миллионов людей во всем мире. Больные теряют интерес к привычной деятельности, сталкиваются с бессонницей, сонливостью, слабостью, чувством вины и самоуничижением. При этом для выявления депрессивного расстройства используются субъективные шкалы, отчеты пациента и наблюдения врача, что далеко не всегда позволяет точно определить тяжесть заболевания. В последние годы, чтобы улучшить диагностику психических расстройств, доктора стали использовать алгоритмы машинного обучения на основе искусственных нейронных сетей, подобных тем, что функционируют в головном мозге. Однако полученные с их помощью результаты тяжело интерпретировать. В результате невозможно выделить основные параметры, на основании которых нейронная сеть принимает решение.

Ученые из Балтийского федерального университета имени Иммануила Канта (Калининград) и Пловдивского медицинского университета (Болгария) предложили интерпретируемый подход, позволяющий эффективно выявлять депрессивное расстройство. Для этого они использовали снимки, полученные с помощью функциональной магнитно-резонансной томографии — метода, основанного на измерении интенсивности кровотока: когда какая-либо область мозга возбуждалась, приток крови к ней увеличивался. Затем по полученным снимкам исследователи строили графы — сложные сети, у которых узлы (точки) имитировали области мозга, а связи между узлами — ребра графа — соответствовали взаимодействиям между областями. На основе полученных графов ученые сравнивали работу мозга у 35 пациентов с депрессивным расстройством и у 50 здоровых людей, а затем, используя методы машинного обучения, пытались разделить пространство признаков обоих групп.

Предложенный подход позволил с точностью до 82,6% различить больных и здоровых людей. При этом группы различались лучше, если авторы при анализе учитывали определенный набор сетевых метрик: силу узла, соответствующую активности области мозга, количество ребер, то есть число взаимодействий между областями, а также коэффициент кластеризации, показывающий, в какой степени узлы имели тенденцию группироваться вместе. Если же исследователи применяли признаки по отдельности или добавляли другие незначимые сетевые характеристики, алгоритм работал некорректно.

Таким образом, метод позволил выявить те характеристики функциональной сети мозга, которые различаются у больных и здоровых испытуемых. При этом алгоритм распознавал отличия не в отдельных локальных связях между областями мозга (как это делается в большинстве методов), а в глобальных характеристиках всей сети нейронов. Новая методика позволит отследить глобальные изменения в структуре мозга у людей с депрессивным расстройством, а также обеспечить клиническую практику надежным способом диагностики этого заболевания.

«В дальнейшем на основе полученных данных мы планируем выделить характерные особенности функциональных сетей головного мозга здоровых людей и пациентов с большим депрессивным расстройством на разных уровнях головного мозга. Это позволит выбрать наиболее важные биомаркеры, которые необходимо анализировать для определения болезни на основе магнитно-резонансной томографии», — рассказывает участник проекта, поддержанного грантом РНФ, Андрей Андреев, кандидат физико-математических наук, старший научный сотрудник Балтийского федерального университета имени Иммануила Канта.

Источник:  Пресс-служба РНФ

Публикации из новости

Читайте также

Модель машинного обучения выявила болезнь Паркинсона по сигналам ЭЭГ
Ученые разработали модель машинного обучения, позволяющую за сотые доли секунды по результатам электроэнцефалограммы (ЭЭГ) с 99,9% точностью выявлять болезнь Паркинсона. Еще одно преимущество нового алгоритма — в совместимости с портативными бытовыми устройствами, которые пациенты могут иметь у себя дома. Поэтому предложенный алгоритм может использоваться не только в больнице при диагностике, но и в домашних условиях для мониторинга состояния здоровья людей с ранее выявленной болезнью Паркинсона.
Машинное обучение
Медицина
Нейробиология
4 декабря 2023
Алгоритмы машинного обучения ускорят производство сердечных протезов
Ученые предложили использовать искусственный интеллект для разработки новых протезов клапанов сердца. Сочетание моделей машинного обучения совместно с математическими алгоритмами оптимизации позволяет ускорить подбор множественных параметров створок протеза и получить клапан сердца «идеальной» конфигурации в несколько тысяч раз быстрее, чем в случае классической разработки, основанной на многократном цикле изготовления прототипа и его исследования. Оптимизация поможет сократить напряжение, возникающее в створках протезов при работе, а значит, сделает их более долговечными.
Искусственный интеллект
Машинное обучение
Медицина
17 октября 2023
Тяжелое течение COVID-19 мешает астроцитам работать синхронно
Это удалось выяснить при помощи математической модели, имитирующей работу нейронных сетей головного мозга у больных
Вирусология
Математическое моделирование
Нейробиология
Нейросети
10 июля 2023
Нейросеть научили выявлять болезнь Альцгеймера
Предложенный алгоритм смог рассортировать электроэнцефалограммы здоровых людей и пациентов с данным диагнозом с точностью более 70%
Нейробиология
Нейросети
19 июня 2023
Простая нейросеть смогла по сигналам ЭКоГ распознать сон и бодрствование
Новый метод анализа данных электрокортикографии оказался очень быстрым и простым с точки зрения вычислений, поэтому его можно использовать в экспериментах в реальном времени
Нейробиология
Нейросети
Новые методики
15 июня 2023
Магнитная стимуляция мозга помогла улучшить контроль движений
Такой подход может сделать реабилитацию людей с неврологическими заболеваниями более эффективной и помочь спортсменам улучшить результаты
Медицина
Нейробиология
6 июня 2023