افسردگی هر سال بیش از 15 میلیون بزرگسال آمریکایی یا حدود 6.7 درصد جمعیت ایالات متحده را تحت تاثیر قرار می دهد. این عامل اصلی ناتوانی افراد بین 15 تا 44 سال است.
آیا می توان تشخیص افرادی که ممکن است قبل از شروع آن با بیماری های مغزی آشنایی داشته باشند؟
دیوید Schnyer، روانشناس شناختی و استاد روانشناسی دانشگاه تگزاس در آستین معتقد است ممکن است. اما شناسایی نشانه های آن، ساده تر از آن نیست. او با استفاده از ابر رایانه Stampede در مرکز رایانه تگزاس پیشرفته (TACC) برای آموزش یک الگوریتم یادگیری ماشین است که میتواند در میان صدها بیمار با استفاده از اسکن مغز رزونانس مغناطیسی (MRI) مغز، داده های ژنومیک و سایر عوامل مرتبط، برای پیش بینی دقیق خطر برای کسانی که افسردگی و اضطراب دارند.
محققان به مدت طولانی اختلالات روانی را با بررسی رابطه بین عملکرد مغز و ساختار در داده های عصبی تصویر سازی مطالعه کرده اند.
Schnyer می گوید: "یک مشکل با این کار این است که در درجه اول توصیفی است. شبکه های مغز ممکن است بین دو گروه متفاوت باشند، اما ما در مورد آنچه که در واقع پیش بینی می کنیم که چه گروهی قرار می گیریم، ما را نمی گوید." "ما به دنبال اقدامات تشخیصی هستیم که پیش بینی نتایج مانند آسیب پذیری به افسردگی یا زوال عقل را نشان می دهد."
در سال 2017، Schnyer در حال کار با Peter Clasen (دانشکده پزشکی دانشگاه واشنگتن)، کریستوفر گونزالس (دانشگاه کالیفرنیا سان دیهو) و کریستوفر بویرز (UT Austin)، تحلیل خود را از یک مطالعه اثبات مفهومی که از روش یادگیری ماشین برای طبقه بندی افراد با اختلال افسردگی عمده با دقت 75 درصد.
یادگیری ماشین، زمینه ای از دانش کامپیوتری است که شامل ساخت الگوریتم هایی است که می توانند با ایجاد یک مدل از ورودی داده های نمونه، "یاد بگیرند"، و سپس پیش بینی های مستقل بر روی داده های جدید را ایجاد می کنند.
نوع یادگیری ماشین که Schnyer و تیمش آزمایش می کنند نامیده می شود آموزش Vector Machine Learning است. محققان مجموعه ای از نمونه های آموزشی را ارائه دادند که هر کدام از افراد سالم یا افرادی که با افسردگی تشخیص داده شده بودند تعلق دارند. Schnyer و تیم او ویژگی های خود را در داده های خود نشان دادند که معنادار بودند و این نمونه ها برای آموزش سیستم استفاده شد. یک کامپیوتر پس از آن داده ها را اسکن کرد، ارتباطات ظریف بین قطعات متفرقه پیدا کرد و یک مدل ایجاد کرد که نمونه های جدیدی را برای یک دسته یا دیگری ایجاد می کند.
در مطالعه Schnyer اطلاعات مغز از 52 بیمار مبتلا به افسردگی و 45 شرکت کننده در کنترل بیماری را تجزیه و تحلیل کرد. برای مقایسه گروه ها، یک زیرمجموعه از شرکت کنندگان افسرده با افراد سالم بر اساس سن و جنس، مطابق با اندازه نمونه به 50 برسد.
شرکت کنندگان دریافت میکروسکوپ تونر تصویر برداری (DTI) اسکن MRI، که برچسب مولکول های آب برای تعیین میزان که این مولکول ها میکروسکوپیک در مغز در طول زمان منتشر شده است. با اندازه گیری این انتشار در جهت های مختلف فضایی، برای هر واکسل (مکعب های سه بعدی که از نظر ساختار یا فعالیت های عصبی در مغز) نشان دهنده ی جهت گیری فیبر غالب است، بردارها تولید می شوند. این اندازه گیری ها سپس به معیارهای تبدیل شده اند که نشان دهنده یکپارچگی مسیرهای مواد سفید درون قشر مغزی است.
یکی از پارامترهای مورد استفاده برای تشخیص DTI، آنیزوتروپیک کسری است: میزان پخش بسیار جهت (انحصار ناقص زیاد) یا بدون محدودیت (کم آبیاری قطعی).
آنها این اندازه گیری های انحصاری قطعی را بین دو گروه مقایسه کردند و اختلاف آماری معنی داری را نشان دادند. سپس تعداد واکسل های مربوط به یک زیر مجموعه که بیشتر برای طبقه بندی مناسب بود را کاهش داد و طبقه بندی و پیش بینی را با استفاده از روش یادگیری ماشین انجام داد.
داستان های مربوطه
- مواد تشکیل دهنده فعال در قارچ جادویی می تواند به زودی تبدیل به درمان افسردگی شود
- رسانه های اجتماعی باعث کاهش خطر افسردگی در سالمندان با درد می شوند
- شاخص توده بدنی بالا حتی بدون مشکلات سلامت می تواند موجب افسردگی شود
او می گوید: "ما در کل اطلاعات مغز و یا یک زیر مجموعه و پیش بینی طبقه بندی های بیماری یا هر گونه اندازه گیری های احتمالی رفتاری مانند اندازه گیری های اطلاعات منفی اطلاعات تغذیه می کنند.
این مطالعه نشان داد که نقشه های آنزیمتروپوشی کسر مشتق شده از DTI می تواند به طور دقیق طبقه بندی افراد افسرده یا آسیب پذیر را در مقایسه با کنترل های سالم طبقه بندی کند. همچنین نشان داد که اطلاعات پیش بینی شده در شبکه های مغزی توزیع شده است تا به شدت موضعی باشد.
Beevers، استاد روانشناسی و مدیر موسسه سلامت روان، گفت: "نه تنها یاد گرفتیم که ما می توانیم افراد افسرده و غیر افسرده را با استفاده از داده های DTI طبقه بندی کنیم، ما همچنین چیزی در مورد نحوه افسردگی در مغز نشان می دهیم." تحقیق در دانشگاه آستین. "به جای تلاش برای پیدا کردن منطقه ای که در افسردگی مختل شده است، یاد می گیریم که تغییرات در تعدادی از شبکه ها به طبقه بندی افسردگی کمک می کند."
مقیاس و پیچیدگی مشکل، یک رویکرد یادگیری ماشین را به وجود می آورد. هر مغز با تقریبا 175،000 واکسل نشان داده شده است و تشخیص ارتباط پیچیده بین چنین تعداد زیادی از اجزای با نگاه کردن به اسکنها عملا غیرممکن است. به همین دلیل، تیم با استفاده از یادگیری ماشین برای بهینه سازی فرایند کشف استفاده می کند.
Schnyer می گوید: "این موج آینده است." "ما تعداد زیادی از مقالات و سخنرانی ها را در کنفرانس در مورد استفاده از یادگیری ماشین برای حل مشکلات دشوار در علوم اعصاب مشاهده می کنیم."
نتایج امیدوار کننده است، اما هنوز به اندازه کافی روشن نیست که به عنوان یک معیار بالینی استفاده شود. با این حال، Schnyer معتقد است که با اضافه کردن اطلاعات بیشتر - نه تنها به اسکن MRI، بلکه همچنین از ژنومیک و دیگر طبقه بندی ها - سیستم می تواند خیلی بهتر انجام دهد.
"یکی از مزایای یادگیری ماشین، در مقایسه با رویکردهای سنتی، این است که یادگیری ماشین باید این احتمال را افزایش دهد که آنچه که در مطالعه ما مشاهده می کنیم، به مجموعه داده های جدید و مستقل مربوط می شود، یعنی این باید به داده های جدید تعمیم دهد." Beevers گفت: "این یک سوال مهم است که ما واقعا هیجان زده هستیم تا در مطالعات آینده امتحان کنیم."
Beevers و Schnyer مطالعه خود را گسترش خواهند داد تا شامل اطلاعاتی از چند صد داوطلب از جامعه آستین که با افسردگی، اضطراب یا وضعیت مرتبط تشخیص داده شده است. Stampede 2 - جدیدترین ابرکامپیوتر TACC که بعدا در سال 2017 به صورت آنلاین وارد خواهد شد و دو برابر قدرتمندتر از سیستم فعلی خواهد بود، افزایش قدرت پردازش کامپیوتری مورد نیاز برای ترکیب داده های بیشتر و دستیابی به دقت بیشتری را فراهم می کند.
Schnyer می گوید: "این رویکرد، و همچنین حرکت به سوی علوم باز و پایگاه های بزرگ بزرگ مانند پروژه اتصال انسانی انسان، به این معنی است که امکانات مانند TACC کاملا ضروری هستند." "شما فقط نمیتوانید این کار را روی دسکتاپ انجام دهید. برای برقراری ارتباط پایدار با یک مرکز محاسباتی پیشرفته مهمتر است."
- ۰ ۱
- ۰ نظر
