Врачи стали использовать ИИ для диагностики психических заболеваний у людей

Ирина Фоменко

Сканирование мозга и результаты МРТ будут включены алгоритм машинного обучения, сообщает The Verge. Команда ученых и исследователей будет использовать его, чтобы определять реакцию людей на социальные ситуации. Они хотят сравнить мозг здорового человека с мозгом людей с психическими расстройствами. Эта информация позволит поставить правильные диагнозы и даже найти основные физические причины. Но конечная цель - найти наиболее эффективное лечение при любом психическом расстройстве.

В настоящее время диагностика основана на отображении симптомов, классифицированных специалистами по расстройствам психического здоровья и собранных в Диагностическом и статистическом руководстве по психическим расстройствам (DSM).

1.jpg (61 KB)

Машинное обучение позволит больше понимать причину психических заболеваний. Хотя клинические диагностические обследования на самом деле довольно точны, они подвержены некоторым неточностям. Например, то, что один человек считает 3 по шкале грусти от 1 до 10, может быть 7 у другого человека - и ни один из них не ошибается.

Расстройства психического здоровья также являются аморфными явлениями, с частичным совпадением симптомов среди разных диагнозов. Но, комбинируя нейровизуализацию МРТ с потоком данных, алгоритм машинного обучения может научиться диагностировать расстройства с большей скоростью и точностью. Исследователи надеются обнаружить физические симптомы психических расстройств и проследить в организме эффективность различных вмешательств.

2.jpg (76 KB)

Функциональная МРТ (фМРТ) предоставляет алгоритму неврологическую информацию, позволяя машине узнать, какие части мозга загораются при определенных раздражителях. Алгоритм может найти новые закономерности в социальном поведении или увидеть, где и когда определенное терапевтическое вмешательство является эффективным, возможно, предоставляя шаблон для профилактического лечения психического здоровья с помощью упражнений.

ФМРТ имеет свои недостатки: ложные срабатывания. Самый вопиющий пример - сканирование мертвого лосося, которое показало активность мозга.

Сначала человек должен пройти клиническое обследование, прежде чем выполнять задачи - например, играть в поведенческие игры - во время и после МРТ. Собирается генетическая информация. После получения всех данных они подаются в алгоритмы, которые выдают результат. Быстрые и неточные результаты доступны в течение нескольких минут - более подробные результаты доступны спустя неделю.

Определенные модели также способствуют ускорению обработки данных. Например, субъект, чье клиническое исследование указывает на депрессию, будет обрабатываться быстрее, если ученые будут использовать модель депрессии.

3.jpg (60 KB)

Лаборатория доцента Института биомедицинских исследований Фралина Брукса Кинг-Касаса создает количественные модели, которые анализируют компоненты процесса принятия решений, пытаясь точно определить, где этот процесс идет неправильно.

"Нам нужны эти алгоритмы машинного обучения, чтобы узнать сотню ваших вариантов, и преобразовать их в три числа", - заявил Брукс. По его словам, без алгоритмов такая дистилляция невозможна. Даже в такой простой задаче, как задание с двумя вариантами, в лаборатории имеется целых десять моделей, которые могут объяснить, как делается выбор.

Как исследователи из Virginia Tech Carilion School of Medicine and Research Institute могут убедиться, что их машина не изучает наши предубеждения? Технические аспекты данных алгоритмов машинного обучения, такие как зрительные стимулы, используемые при функциональном сканировании МРТ, должны тщательно контролироваться с учетом предвзятости.

4.jpg (68 KB)

Одна из проблем заключается в том, что промежуток времени между "интересующими событиями" в оборудовании фМРТ должен быть тщательно спланирован, чтобы обеспечить чистые результаты. Аппарат получает снимок мозга каждые две секунды. Но выбрать правильное окно времени имеет решающее значение. Чтобы удостовериться, что исследователи измеряют реакцию, они должны учитывать время задержки, необходимое для попадания крови в нужную часть мозга. Это ограничивает нейровизуализацию и создает интервалы между сканированиями.

Сами триггеры должны быть тщательно продуманы; разные культуры думают об определенных цветах или числах по-разному. Раздражители включают показ изображений, предназначенных для стимулирования внимания и эмоций из базы данных Международной системы аффективных рисунков, или просят субъектов оценить риски.

5.jpg (80 KB)

По данным Science Alert, у фМРТ есть свои проблемы: например, ученые не обращают внимания на мозг. То, на что они смотрят, представляет собой программное представление мозга, разделенное на единицы, называемые вокселями.

Шведская команда во главе с Андерсом Эклундом из Университета Линчепинга решила протестировать три самых популярных статистических программы для МРТ на основе набора данных о человеке. Они обнаружили, что различия между тремя из них привели к ложным срабатываниям выше, чем ожидалось. Тем не менее, нейробиологи не верят, что МРТ не подходит – просто ее нужно совершенствовать. Создание сканов, более доступных и более точных, будет ключом к клиническому применению методов.

6.jpg (60 KB)

Пол Хамфрис, профессор философии в Университете Вирджинии, поднимает еще одну проблему: машинное обучение представляет проблему черного ящика, похожую на сам мозг. Можно обучить алгоритм распознавать кошку, предоставляя ему достаточно данных, но мы пока не можем точно определить, как он решает, что такое кошка. Это создает риск недопонимания между учеными и результатами машинного обучения, поскольку исследователи имеют лишь частичное понимание того, что "говорят" их модели.

Алгоритм машинного обучения, который диагностирует, скажем, рак кожи, имеет обучающий набор образцов, которые были подвергнуты биопсии и каталогизации, не оставляя сомнений в том, являются ли они злокачественными или нет. Но при психических расстройствах нет биопсии, по крайней мере, пока.

7.png (246 KB)

Работая совместно с Исследовательским центром по лечению наркомании, лаборатория Стивена ЛаКонта использует сканирование МРТ в режиме реального времени для обеспечения нейронной обратной связи с субъектами. Нейронная обратная связь помогает субъектам узнать, насколько хорошо они справляются с "удлинением временного окна" (вопрос проецирования себя в будущее и понимания этих последствий).

ЛаКонта и профессор философии в Университете Вирджинии Захари Ирвинг используют фМРТ в реальном времени, чтобы попытаться определить, когда и каким образом разум субъекта "блуждает". "Наша цель состоит в том, чтобы этот алгоритм мог обнаруживать в режиме реального времени "блуждание ума", просто наблюдая за вашей нейронной активностью", - заявил Ирвинг.

8.jpg (57 KB)

ЛаКонта стал пионером в области фМРТ в реальном времени – он использовал методы машинного обучения, чтобы взглянуть на более широкую картину мозга, вместо того, чтобы отслеживать только отдельные участки. "Некоторые сильные стороны машинного обучения заключаются в том, что вы можете делать такие вещи, как перекрестная проверка. Вы можете обучить модель на части своего набора данных, а затем проверить ее точность прогноза на независимом наборе данных, который эта модель никогда не видела раньше", - прокомментировал Стивен.

Машинное обучение имеет решающее значение для работы в режиме реального времени; без алгоритма нельзя обеспечить обратную связь. При этом, как считает ЛаКонта, исследователи могут выйти за рамки поведенческих экспериментов и начать изучать действия самого мозга, чтобы руководить своими экспериментами.