Beyin Görüntüleme, Makine Öğrenimi Zihinsel Hastalık Riskini Tahmin Etmeye Yardımcı Olabilir

Araştırmacılar, beyin görüntüleme verilerini ve süper bilgisayarları, nörogörüntüleme verilerinde depresyon veya demans gibi zihinsel bozuklukların riskini tahmin etmeye yardımcı olabilecek kalıpları tanımlamak için birleştiriyor.

Depresyon, her yıl 15 milyondan fazla Amerikalı yetişkini veya ABD nüfusunun yaklaşık yüzde 6,7'sini etkiliyor. 15 ile 44 yaşları arasındaki kişilerin engelliliğinin önde gelen nedenidir.

Austin'deki Texas Üniversitesi'nde bilişsel sinirbilimci ve psikoloji profesörü olan Dr. David Schnyer, akıl hastalığı riskini tahmin etme yeteneğinin basit bir mesele olmadığını söyledi.

Depresyon ve anksiyetesi olanlara doğru risk tahminleri sağlamak için manyetik rezonans görüntüleme (MRI) beyin taramalarını, genomik verileri ve diğer ilgili faktörleri kullanarak yüzlerce hasta arasındaki ortak noktaları belirleyebilen bir makine öğrenme algoritması eğitmek için bir süper bilgisayar kullanıyor. .

Araştırmacılar, nörogörüntüleme verilerinde beyin işlevi ve yapı arasındaki ilişkiyi inceleyerek uzun süredir zihinsel bozukluklar üzerinde çalıştılar.

"Bu çalışmayla ilgili zorluklardan biri, öncelikle açıklayıcı olmasıdır. Beyin ağları iki grup arasında farklılık gösteriyor gibi görünebilir, ancak bize hangi kalıpların gerçekten hangi gruba gireceğinizi tahmin ettiğini söylemez, "dedi Schnyer.

"Depresyon veya bunamaya karşı savunmasızlık gibi sonuçlar için öngörülebilir teşhis ölçütleri arıyoruz."

2017 yılında, çeşitli üniversitelerden araştırmacılarla çalışan Schnyer, majör depresif bozukluğu olan bireyleri kabaca yüzde 75 doğrulukla sınıflandırmak için makine öğrenimi yaklaşımını kullanan bir kavram kanıtı çalışmasının analizini tamamladı.

Yardımcı araştırmacılar arasında Dr. Peter Clasen (Washington Üniversitesi Tıp Fakültesi), Christopher Gonzalez (California Üniversitesi, San Diego) ve Christopher Beevers (Texas Üniversitesi, Austin).

Makine öğrenimi, örnek veri girdilerinden bir model oluşturarak "öğrenebilen" ve ardından yeni veriler üzerinde bağımsız tahminlerde bulunabilen algoritmaların oluşturulmasını içeren bilgisayar biliminin bir alt alanıdır.

Araştırmacılar, her biri sağlıklı bireylere veya depresyon teşhisi konmuş kişilere ait olarak işaretlenmiş bir dizi eğitim örneği verdi. Schnyer ve ekibi verilerinde anlamlı olan özellikleri etiketlediler ve bu örnekler sistemi eğitmek için kullanıldı.

Bir bilgisayar daha sonra verileri taradı, farklı parçalar arasında ince bağlantılar buldu ve bir kategoriye veya diğerine yeni örnekler atayan bir model oluşturdu.

Çalışmada Schnyer, depresyonu olan 52 tedavi arayan katılımcıdan ve 45 sağlıklı kontrol katılımcısından gelen beyin verilerini analiz etti. Grupları karşılaştırmak için, depresif katılımcıların bir alt kümesini yaş ve cinsiyete göre sağlıklı bireylerle eşleştirerek örneklem büyüklüğünü 50'ye çıkardılar.

Katılımcılar difüzyon tensör görüntüleme (DTI) MRI taramaları aldılar, bu da su moleküllerini etiketleyerek bu moleküllerin beyinde zaman içinde mikroskobik olarak ne ölçüde yayıldığını belirledi.

Araştırmacılar, iki grup arasında elde edilen ölçümleri karşılaştırdı ve istatistiksel olarak önemli farklılıklar buldu. Daha sonra, ilgili verileri sınıflandırma için en alakalı olan bir alt kümeye indirgediler ve makine öğrenimi yaklaşımını kullanarak sınıflandırma ve tahmini gerçekleştirdiler.

"Tüm beyin verilerini veya bir alt kümeyi besliyoruz ve hastalık sınıflandırmalarını veya olumsuz bilgi önyargısının ölçümleri gibi olası davranışsal önlemleri tahmin ediyoruz" diyor.

Çalışma, beyin verilerinin, depresif veya savunmasız bireyleri sağlıklı kontrollere göre doğru bir şekilde sınıflandırabildiğini ortaya koydu. Ayrıca tahmine dayalı bilginin yüksek oranda yerelleştirilmiş olmak yerine beyin ağları arasında dağıtıldığını da gösterdi.

Psikoloji profesörü ve Ruh Sağlığı Enstitüsü müdürü Beevers, "Sadece DTI verilerini kullanarak depresif ve depresif olmayan insanları sınıflandırabileceğimizi öğrenmekle kalmıyor, aynı zamanda depresyonun beyinde nasıl temsil edildiği hakkında da bir şeyler öğreniyoruz" dedi. Austin, Texas Üniversitesi'nde araştırma.

"Depresyonda bozulan alanı bulmaya çalışmak yerine, çeşitli ağlardaki değişikliklerin depresyonun sınıflandırılmasına katkıda bulunduğunu öğreniyoruz."

Sorunun boyutu ve karmaşıklığı, bir makine öğrenimi yaklaşımını gerektirir. Her beyin, yaklaşık 175.000 voksel ile temsil edilir ve bu kadar çok sayıda bileşen arasındaki karmaşık ilişkiyi taramalara bakarak tespit etmek neredeyse imkansızdır.

Bu nedenle ekip, keşif sürecini otomatikleştirmek için makine öğrenimini kullanıyor.

Schnyer, "Bu geleceğin dalgası" diyor."Konferansta sinirbilimdeki zor problemleri çözmek için makine öğreniminin uygulanmasıyla ilgili artan sayıda makale ve sunum görüyoruz."

Sonuçlar umut vericidir, ancak henüz klinik bir ölçüt olarak kullanılacak kadar net değil. Ancak Schnyer, yalnızca MRI taramaları ile ilgili değil, aynı zamanda genomik ve diğer sınıflandırıcılarla ilgili daha fazla veri ekleyerek sistemin çok daha iyisini yapabileceğine inanıyor.

"Makine öğreniminin daha geleneksel yaklaşımlarla karşılaştırıldığında faydalarından biri, makine öğreniminin çalışmamızda gözlemlediklerimizin yeni ve bağımsız veri kümelerine uygulanma olasılığını artırması gerektiğidir. Yani, yeni verilere genelleştirilmeli, ”dedi Beevers.

"Bu, gelecekteki çalışmalarda test etmekten heyecan duyduğumuz kritik bir soru."

Kaynak: Texas Üniversitesi, Austin, Texas Advanced Computing Center