Большая часть современной медицины имеет физические тесты или объективные методы, чтобы определить многое из того, что беспокоит людей. Тем не менее, в настоящее время не существует анализов крови, генетических тестов или беспристрастной процедуры, которая могла бы различать разные психические расстройства со схожими симптомами и окончательно диагностировать психическое заболевание. Эксперты Токийского университета комбинируют машинное обучение с инструментами визуализации мозга, чтобы переопределить стандарт диагностики психических заболеваний.
«Психиатры, в том числе и я, часто говорят о симптомах и поведении с пациентами и их учителями, друзьями и родителями. Мы встречаемся с пациентами только в больнице или клинике, а не в их повседневной жизни. Мы должны делать медицинские заключения, используя субъективную информацию из вторых рук», — объяснил доктор Синсуке Койке, доктор медицины, доцент Токийского университета и старший автор исследования, опубликованного в журнале «Translational Psychiatry» 17 августа 2020 года .
«Откровенно говоря, нам нужны объективные меры», — сказал Койке.
Проблема перекрывающихся симптомов
Ранее другие исследователи разработали алгоритмы машинного обучения, чтобы различать людей с психическим заболеванием и тех, кто добровольно выступает в качестве «контролеров» для таких экспериментов.
«Легко сказать, кто является пациентом, а кто из контрольной группы, но не так просто отличить разные типы пациентов», — сказал Койке.
Исследовательская группа UTokyo утверждает, что это первое исследование, в котором проводится различие между множественными психиатрическими диагнозами, включая расстройство аутистического спектра и шизофрению. Хотя в учебниках они описаны по-разному, ученые давно подозревают, что аутизм и шизофрения каким-то образом связаны.
«Пациенты с расстройством аутистического спектра имеют в 10 раз более высокий риск развития шизофрении, чем население в целом. Для аутизма необходима социальная поддержка, а психоз при шизофрении требует использование лекарств, поэтому различать эти два состояния или знать, когда они возникают одновременно, очень важно», — сказал Койке.
Компьютер превращает изображения мозга в мир чисел
Многопрофильная группа специалистов в области медицины и машинного обучения настроила свой компьютерный алгоритм с использованием МРТ (магнитно-резонансной томографии) различать сканирования мозга 206 взрослых японцев:
- группы пациентов, у которых уже было диагностировано расстройство аутистического спектра;
- группы пациентов, у которых уже была диагностирована шизофрения;
- людей с высоким риском шизофрении и тех, кто пережил первый случай психоза;
- нейротипичные люди без проблем с психическим здоровьем.
Все добровольцы с аутизмом были мужчинами, но в других группах было примерно равное количество добровольцев мужского и женского пола.
Машинное обучение использует статистику для поиска закономерностей в больших объемах данных. Эти программы обнаруживают сходства внутри групп и различия между группами, которые встречаются слишком часто, чтобы их можно было легко отклонить как совпадение. В этом исследовании использовалось шесть различных алгоритмов, чтобы различать разные МРТ-изображения групп пациентов.
Это первое исследование, в котором сравнивалась толщина коры, подкорковый объем и площадь поверхности с использованием нескольких классификаторов машинного обучения между шизофренией, аутизмом и нормотипичными людьми из контрольной группы.
Алгоритм, использованный в этом исследовании, научился связывать различные психиатрические диагнозы с вариациями толщины, площади поверхности и объема областей мозга на МРТ-изображениях. Пока не известно, почему какие-либо физические различия в мозге часто обнаруживаются при определенном психическом состоянии здоровья.
Расширяя тонкую грань между диагнозами
После периода обучения алгоритм был протестирован на сканировании мозга еще 43 пациентов. Диагностика алгоритма совпала с оценками психиатров с высокой надежностью и точностью до 85%.
Важно отметить, что алгоритм машинного обучения может различать пациентов:
- не являющихся пациентами, психически здоровых людей,
- пациентов с расстройством аутистического спектра,
- пациентов с шизофренией или факторами риска шизофрении.
Машины помогают формировать будущее психиатрии
Исследовательская группа отмечает, что физические отличия в мозге, вызывающие шизофрению, присутствуют еще до появления симптомов, а затем остаются неизменными с течением времени.
Анализ толщины коркового слоя и подкоркового объема были информативнее, чем площадь его поверхности. Характеристики структурного объема и толщины кортикального слоя показали высокую точность классификации психических заболеваний.
Исследовательская группа также отметила, что толщина коры головного мозга, а именно верхние 1,5-5 сантиметров, была наиболее важной для правильного различения людей с расстройством аутистического спектра, шизофренией и типичных людей. Это раскрывает важный аспект роли, которую толщина коры головного мозга играет в различении психических расстройств, и может направить будущие исследования для понимания причин психических заболеваний в правильном направлении.
Хотя исследовательская группа обучила свой алгоритм машинного обучения, используя сканирование мозга примерно 200 человек, все данные были собраны в период с 2010 по 2013 год на одном аппарате МРТ, что обеспечило согласованность изображений. Было проанализировано 64 человека с шизофренией, 36 расстройств аутистического спектра (РАС) и 106 типично развивающихся людей.
«Если вы сделаете снимок с помощью телефона с камерой iPhone или Android, изображения будут немного отличаться. Каждый МРТ-аппарат делает немного разные изображения, поэтому при разработке новых протоколов машинного обучения, подобных нашему, мы используем один и тот же МРТ аппарат и одинаковую процедуру сканирования МРТ», — сказал Койке.
Теперь, когда алгоритм машинного обучения доказал свою ценность, исследователи планируют начать использовать более крупные наборы данных и, надеюсь, координировать многосайтовые исследования, чтобы научить программу работать независимо от различий аппаратов МРТ.
Источник: Walid Yassin et al. Machine-learning classification using neuroimaging data in schizophrenia, autism, ultra-high risk and first-episode psychosis, Translational Psychiatry (2020). DOI: 10.1038/s41398-020-00965-5
