Интерпретируемый подход позволит распознать депрессивное расстройство с точностью 83%
Ученые разработали интерпретируемый подход, позволяющий диагностировать депрессивное расстройство с точностью 82,6% по определенным показателям нервной системы пациентов. Для этого авторы по снимкам активности мозга строили функциональные сети, отражающие взаимодействия разных отделов головного мозга больных и здоровых людей. Затем, оценивая характеристики каждого узла и связи между ними, исследователи проводили классификацию больных и здоровых людей. Новая технология потенциально может использоваться в клинической практике при постановке диагноза. Результаты исследования, поддержанного грантом Российского научного фонда (РНФ), опубликованы в Chaos: An Interdisciplinary Journal of Nonlinear Science.
Большое депрессивное расстройство — это распространенное психическое заболевание, от которого страдает около 280 миллионов людей во всем мире. Больные теряют интерес к деятельности, сталкиваются с бессонницей, сонливостью, слабостью, чувством вины и самоуничижения. При этом для выявления депрессивного расстройства используются субъективные шкалы, отчеты пациента и наблюдения врача, что далеко не всегда позволяет точно определить тяжесть заболевания. В последние годы, чтобы улучшить диагностику психических расстройств, врачи стали использовать алгоритмы машинного обучения на основе искусственных нейронных сетей, подобных тем, что функционируют в головном мозге. Однако полученные с их помощью результаты тяжело интерпретировать. В результате невозможно выделить основные параметры, на основании которых нейронная сеть принимает решение.
Ученые из Балтийского федерального университета имени Иммануила Канта (Калининград) и Пловдивского медицинского университета (Болгария) предложили интерпретируемый подход, позволяющий эффективно выявлять депрессивное расстройство. Для этого они использовали снимки, полученные с помощью функциональной магнитно-резонансной томографии — метода, основанного на измерении интенсивности кровотока: когда какая-либо область мозга возбуждалась, приток крови к ней увеличивался. Затем по полученным снимкам исследователи строили графы — сложные сети, у которых узлы (точки) имитировали области мозга, а связи между узлами — ребра графа — соответствовали взаимодействиям между областями. На основе полученных графов ученые сравнивали работу мозга у 35 пациентов с депрессивным расстройством и у 50 здоровых людей, а затем, используя методы машинного обучения, пытались разделить пространство признаков обоих групп.
Предложенный подход позволил с точностью до 82,6% различить больных и здоровых людей. При этом группы различались лучше, если авторы при анализе учитывали определенный набор сетевых метрик: силу узла, соответствующую активности области мозга, количество ребер, то есть число взаимодействий между областями, а также коэффициент кластеризации, показывающий, в какой степени узлы имели тенденцию группироваться вместе. Если же исследователи применяли признаки по отдельности или добавляли другие незначимые сетевые характеристики, алгоритм работал некорректно.
Таким образом, метод позволил выявить те характеристики функциональной сети мозга, которые различаются у больных и здоровых испытуемых. При этом алгоритм распознавал отличия не в отдельных локальных связях между областями мозга (как это делается в большинстве методов), а в глобальных характеристиках всей сети нейронов. Новая методика позволит отследить глобальные изменения в структуре мозга у людей с депрессивным расстройством, а также обеспечить клиническую практику надежным способом диагностики этого заболевания.
«В дальнейшем на основе полученных данных мы планируем выделить характерные особенности функциональных сетей головного мозга здоровых людей и пациентов с большим депрессивным расстройством на разных уровнях головного мозга. Это позволит выбрать наиболее важные биомаркеры, которые необходимо анализировать для определения болезни на основе магнитно-резонансной томографии», — рассказывает участник проекта, поддержанного грантом РНФ, Андрей Андреев, кандидат физико-математических наук, старший научный сотрудник Балтийского федерального университета имени Иммануила Канта.
Текст: пресс-служба РНФ
Andrey V. Andreev, Semen A. Kurkin, Drozdstoy Stoyanov, Artem A. Badarin, Rossitsa Paunova, Alexander E. Hramov; Toward interpretability of machine learning methods for the classification of patients with major depressive disorder based on functional network measures. Chaos 1 June 2023; 33 (6): 063140. https://doi.org/10.1063/5.0155567