Ученые РФ создали метод машинного обучения для определения депрессии по МРТ с точностью 86%
Ученые создали вычислительный метод, который по МРТ-снимкам мозга отличает людей с большим депрессивным расстройством от здоровых участников с точностью 86%. Такой подход может помочь врачам раньше выявлять депрессию и подбирать лечение точнее.
Источник: Пресс-служба РНФ. Изображение создано с помощью нейросети
МОСКВА, 5 мая. /Новости науки/. Российские ученые с коллегами разработали вычислительную систему, которая помогает выявлять большое депрессивное расстройство по данным функциональной МРТ головного мозга. Метод отличил пациентов с депрессией от здоровых людей с точностью 86%, сообщила пресс-служба Российского научного фонда.
«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», — рассказал участник проекта, доктор физико-математических наук, главный научный сотрудник НИИ прикладного искусственного интеллекта и цифровых решений РЭУ имени Г. В. Плеханова Семен Куркин.
Большое депрессивное расстройство связано не только с изменениями поведения и настроения. При нем меняется работа отделов мозга, нарушается передача сигналов между нейронами и усиливается окислительный стресс, который может повреждать клетки. При этом на ранних стадиях болезнь сложно точно определить: внешние признаки еще слабы, а особенности работы мозга у пациентов и здоровых людей могут быть похожи.
Исследователи из Российского экономического университета имени Г. В. Плеханова и их коллеги использовали данные функциональной магнитно-резонансной томографии. В выборку вошли 70 пациентов с большим депрессивным расстройством и 70 здоровых участников.
Система работала в два этапа. Сначала один алгоритм выбирал из МРТ-данных признаки, которые лучше всего отражали изменения в сетевой организации мозга. Например, он анализировал связи с участием лобной коры. Затем ученые применили контрастивное обучение. Этот подход помогает машине искать различия между двумя группами — пациентами и здоровыми людьми, не отвлекаясь на индивидуальные различия внутри каждой группы.
Такой метод позволил увидеть небольшие, но клинически значимые изменения в связях между участками мозга. В итоге система различила пациентов и здоровых участников с точностью 86%. По данным авторов, традиционные методы в этом сравнении дали точность около 50%, что близко к случайному выбору.
Работа также подтвердила, что большое депрессивное расстройство нельзя свести к сбою в одном участке мозга. Оно связано с нарушениями в работе многих нейронных сетей. Новый подход указал на 20 ключевых связей, которые могут играть роль в развитии депрессии. Традиционные методы выявили только пять таких связей.
По словам Куркина, в будущем метод можно будет применить к другим психиатрическим и неврологическим заболеваниям, включая шизофрению и биполярное расстройство. Ученые также планируют расширить подход, чтобы учитывать изменения связей мозга во времени и пространственную организацию нейронных сетей.
Результаты исследования, поддержанного грантом РНФ, опубликованы в журнале Chaos, Solitons and Fractals. В работе также участвовали специалисты из Медицинского университета в Пловдиве, Стратегической программы исследований и инноваций для развития MU-Plovdiv и Государственного института русского языка имени А. С. Пушкина.
«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», — рассказал участник проекта, доктор физико-математических наук, главный научный сотрудник НИИ прикладного искусственного интеллекта и цифровых решений РЭУ имени Г. В. Плеханова Семен Куркин.
Большое депрессивное расстройство связано не только с изменениями поведения и настроения. При нем меняется работа отделов мозга, нарушается передача сигналов между нейронами и усиливается окислительный стресс, который может повреждать клетки. При этом на ранних стадиях болезнь сложно точно определить: внешние признаки еще слабы, а особенности работы мозга у пациентов и здоровых людей могут быть похожи.
Исследователи из Российского экономического университета имени Г. В. Плеханова и их коллеги использовали данные функциональной магнитно-резонансной томографии. В выборку вошли 70 пациентов с большим депрессивным расстройством и 70 здоровых участников.
Система работала в два этапа. Сначала один алгоритм выбирал из МРТ-данных признаки, которые лучше всего отражали изменения в сетевой организации мозга. Например, он анализировал связи с участием лобной коры. Затем ученые применили контрастивное обучение. Этот подход помогает машине искать различия между двумя группами — пациентами и здоровыми людьми, не отвлекаясь на индивидуальные различия внутри каждой группы.
Такой метод позволил увидеть небольшие, но клинически значимые изменения в связях между участками мозга. В итоге система различила пациентов и здоровых участников с точностью 86%. По данным авторов, традиционные методы в этом сравнении дали точность около 50%, что близко к случайному выбору.
Работа также подтвердила, что большое депрессивное расстройство нельзя свести к сбою в одном участке мозга. Оно связано с нарушениями в работе многих нейронных сетей. Новый подход указал на 20 ключевых связей, которые могут играть роль в развитии депрессии. Традиционные методы выявили только пять таких связей.
По словам Куркина, в будущем метод можно будет применить к другим психиатрическим и неврологическим заболеваниям, включая шизофрению и биполярное расстройство. Ученые также планируют расширить подход, чтобы учитывать изменения связей мозга во времени и пространственную организацию нейронных сетей.
Результаты исследования, поддержанного грантом РНФ, опубликованы в журнале Chaos, Solitons and Fractals. В работе также участвовали специалисты из Медицинского университета в Пловдиве, Стратегической программы исследований и инноваций для развития MU-Plovdiv и Государственного института русского языка имени А. С. Пушкина.
