Pencitraan Otak, Pembelajaran Mesin Boleh Membantu Meramalkan Risiko Penyakit Mental

Penyelidik menggabungkan data pencitraan otak dan superkomputer untuk mengenal pasti corak dalam data neuroimaging yang dapat membantu meramalkan risiko gangguan mental seperti kemurungan atau demensia.

Depresi mempengaruhi lebih daripada 15 juta orang dewasa Amerika, atau sekitar 6.7 peratus populasi A.S., setiap tahun. Ini adalah penyebab utama kecacatan bagi mereka yang berumur antara 15 hingga 44 tahun.

Dr David Schnyer, seorang ahli sains saraf kognitif dan profesor psikologi di University of Texas di Austin, mengatakan bahawa kemampuan untuk meramalkan risiko penyakit mental bukanlah perkara yang mudah.

Dia menggunakan komputer super untuk melatih algoritma pembelajaran mesin yang dapat mengenal pasti kesamaan di antara beratus-ratus pesakit yang menggunakan imbasan otak magnetik resonans (MRI), data genomik, dan faktor lain yang berkaitan, untuk memberikan ramalan risiko yang tepat bagi mereka yang mengalami kemurungan dan kegelisahan. .

Para penyelidik telah lama mengkaji gangguan mental dengan memeriksa hubungan antara fungsi otak dan struktur dalam data neuroimaging.

"Satu kesukaran dengan kerja itu ialah ia terutama bersifat deskriptif. Rangkaian otak mungkin kelihatan berbeza antara dua kumpulan, tetapi ia tidak memberitahu kita tentang corak apa yang sebenarnya meramalkan kumpulan mana yang akan anda masuki, "kata Schnyer.

"Kami mencari langkah diagnostik yang dapat meramal hasil seperti kerentanan terhadap kemurungan atau demensia."

Pada tahun 2017, Schnyer, bekerjasama dengan penyelidik dari pelbagai universiti menyelesaikan analisis kajian bukti konsep yang menggunakan pendekatan pembelajaran mesin untuk mengklasifikasikan individu dengan gangguan kemurungan utama dengan ketepatan sekitar 75 peratus.

Penyelidik bersama termasuk Drs. Peter Clasen (University of Washington School of Medicine), Christopher Gonzalez (University of California, San Diego), dan Christopher Beevers (University of Texas, Austin).

Pembelajaran mesin adalah subbidang sains komputer yang melibatkan pembinaan algoritma yang dapat "belajar" dengan membina model dari input data sampel, dan kemudian membuat ramalan bebas terhadap data baru.

Para penyelidik memberikan satu set contoh latihan, masing-masing ditandai sebagai milik individu yang sihat atau mereka yang telah didiagnosis mengalami kemurungan. Schnyer dan pasukannya melabelkan ciri dalam data mereka yang bermakna, dan contoh-contoh ini digunakan untuk melatih sistem.

Komputer kemudian mengimbas data, menemui hubungan halus antara bahagian yang berbeza, dan membina model yang memberikan contoh baru kepada satu kategori atau yang lain.

Dalam kajian itu, Schnyer menganalisis data otak dari 52 peserta mencari rawatan dengan kemurungan, dan 45 peserta kawalan heathy. Untuk membandingkan kumpulan, mereka mencocokkan subset peserta yang tertekan dengan individu yang sihat berdasarkan usia dan jantina, menjadikan ukuran sampel menjadi 50.

Peserta mendapat imbasan TRI pengimejan difusi (DTI), yang menandakan molekul air untuk menentukan sejauh mana molekul tersebut disebarkan secara mikroskopik di otak dari masa ke masa.

Penyelidik membandingkan pengukuran yang dihasilkan antara kedua-dua kumpulan dan mendapati perbezaan yang signifikan secara statistik. Mereka kemudian mengurangkan data yang terlibat menjadi subkumpulan yang paling relevan untuk klasifikasi dan melakukan klasifikasi dan ramalan menggunakan pendekatan pembelajaran mesin.

"Kami memberi makan seluruh data otak atau subset dan meramalkan klasifikasi penyakit atau tindakan tingkah laku yang berpotensi seperti ukuran bias maklumat negatif," katanya.

Kajian itu menunjukkan bahawa data otak dapat mengklasifikasikan individu yang tertekan atau rentan dengan tepat berbanding kawalan yang sihat. Ini juga menunjukkan bahawa maklumat ramalan disebarkan ke seluruh rangkaian otak dan bukannya dilokalisasi.

"Bukan hanya belajar bahawa kita dapat mengklasifikasikan orang yang tertekan berbanding yang tidak mengalami kemurungan dengan menggunakan data DTI, kita juga belajar sesuatu tentang bagaimana depresi diwakili di dalam otak," kata Beevers, seorang profesor psikologi dan pengarah Institut Kesihatan Mental Penyelidikan di University of Texas, Austin.

"Daripada berusaha mencari daerah yang terganggu dalam kemurungan, kita belajar bahwa perubahan di sebilangan rangkaian menyumbang kepada klasifikasi depresi."

Skala dan kerumitan masalah memerlukan pendekatan pembelajaran mesin. Setiap otak diwakili oleh kira-kira 175,000 vokal dan mengesan hubungan yang kompleks di antara sebilangan besar komponen dengan melihat imbasan secara praktikal tidak mungkin.

Atas sebab itu, pasukan menggunakan pembelajaran mesin untuk mengotomatisasi proses penemuan.

"Ini adalah gelombang masa depan," kata Schnyer."Kami melihat peningkatan jumlah artikel dan persembahan di persidangan mengenai penerapan pembelajaran mesin untuk menyelesaikan masalah sukar dalam ilmu saraf."

Hasilnya menjanjikan, tetapi belum cukup jelas untuk digunakan sebagai metrik klinikal. Walau bagaimanapun, Schnyer percaya bahawa dengan menambahkan lebih banyak data yang berkaitan bukan hanya untuk imbasan MRI tetapi juga dari genomik dan pengklasifikasi lain sistem dapat melakukan lebih baik.

"Salah satu kelebihan pembelajaran mesin, dibandingkan dengan pendekatan yang lebih tradisional, adalah bahawa pembelajaran mesin harus meningkatkan kemungkinan apa yang kita perhatikan dalam kajian kita akan berlaku untuk set data baru dan bebas. Artinya, ia harus digeneralisasikan ke data baru, ”kata Beevers.

"Ini adalah soalan kritikal yang kami sangat teruja untuk menguji dalam kajian masa depan."

Sumber: University of Texas di Austin, Texas Advanced Computing Center