Hình ảnh não, học máy có thể giúp dự đoán nguy cơ mắc bệnh tâm thần
Các nhà nghiên cứu đang kết hợp dữ liệu hình ảnh não và siêu máy tính để xác định các mẫu trong dữ liệu hình ảnh thần kinh có thể giúp dự đoán nguy cơ rối loạn tâm thần như trầm cảm hoặc sa sút trí tuệ.
Trầm cảm ảnh hưởng đến hơn 15 triệu người Mỹ trưởng thành, tương đương khoảng 6,7% dân số Hoa Kỳ, mỗi năm. Đây là nguyên nhân hàng đầu gây ra khuyết tật cho những người trong độ tuổi từ 15 đến 44.
Tiến sĩ David Schnyer, một nhà thần kinh học nhận thức và giáo sư tâm lý học tại Đại học Texas ở Austin, cho biết khả năng dự đoán nguy cơ mắc bệnh tâm thần không phải là chuyện đơn giản.
Anh ấy đang sử dụng một siêu máy tính để đào tạo một thuật toán học máy có thể xác định những điểm chung giữa hàng trăm bệnh nhân bằng cách sử dụng hình ảnh cộng hưởng từ (MRI) quét não, dữ liệu gen và các yếu tố liên quan khác, để đưa ra dự đoán chính xác về nguy cơ đối với những người bị trầm cảm và lo lắng. .
Các nhà nghiên cứu từ lâu đã nghiên cứu các rối loạn tâm thần bằng cách xem xét mối quan hệ giữa chức năng và cấu trúc của não trong dữ liệu hình ảnh thần kinh.
“Một khó khăn với tác phẩm đó là nó chủ yếu mang tính mô tả. Mạng lưới não bộ có thể khác nhau giữa hai nhóm, nhưng nó không cho chúng ta biết về những mẫu thực sự dự đoán bạn sẽ rơi vào nhóm nào, ”Schnyer nói.
“Chúng tôi đang tìm kiếm các biện pháp chẩn đoán có thể dự đoán được các kết quả như dễ bị trầm cảm hoặc sa sút trí tuệ.”
Vào năm 2017, Schnyer, làm việc với các nhà nghiên cứu từ nhiều trường đại học khác nhau đã hoàn thành phân tích một nghiên cứu chứng minh khái niệm sử dụng phương pháp học máy để phân loại các cá nhân mắc chứng rối loạn trầm cảm nặng với độ chính xác khoảng 75%.
Đồng điều tra viên gồm có Tiến sĩ. Peter Clasen (Đại học Y khoa Washington), Christopher Gonzalez (Đại học California, San Diego), và Christopher Beevers (Đại học Texas, Austin).
Học máy là một lĩnh vực con của khoa học máy tính liên quan đến việc xây dựng các thuật toán có thể “học” bằng cách xây dựng một mô hình từ đầu vào dữ liệu mẫu và sau đó đưa ra các dự đoán độc lập về dữ liệu mới.
Các nhà nghiên cứu đã cung cấp một tập hợp các ví dụ đào tạo, mỗi ví dụ được đánh dấu là thuộc về những người khỏe mạnh hoặc những người đã được chẩn đoán mắc bệnh trầm cảm. Schnyer và nhóm của ông đã gắn nhãn các tính năng trong dữ liệu của họ là có ý nghĩa và những ví dụ này được sử dụng để đào tạo hệ thống.
Sau đó, một máy tính sẽ quét dữ liệu, tìm ra các kết nối tinh vi giữa các bộ phận khác nhau và xây dựng một mô hình gán các ví dụ mới cho danh mục này hay danh mục kia.
Trong nghiên cứu, Schnyer đã phân tích dữ liệu não từ 52 người tham gia điều trị mắc chứng trầm cảm và 45 người tham gia kiểm soát sức khỏe. Để so sánh các nhóm, họ so sánh một nhóm nhỏ những người tham gia bị trầm cảm với những người khỏe mạnh dựa trên độ tuổi và giới tính, đưa kích thước mẫu lên 50.
Những người tham gia được quét hình ảnh MRI khuếch tán (DTI), gắn thẻ các phân tử nước để xác định mức độ mà các phân tử đó được khuếch tán theo kính hiển vi trong não theo thời gian.
Các nhà điều tra đã so sánh các phép đo kết quả giữa hai nhóm và nhận thấy sự khác biệt có ý nghĩa thống kê. Sau đó, họ giảm dữ liệu liên quan thành một tập hợp con phù hợp nhất để phân loại và thực hiện phân loại và dự đoán bằng cách sử dụng phương pháp học máy.
Ông nói: “Chúng tôi cung cấp toàn bộ dữ liệu não bộ hoặc một tập hợp con và dự đoán các phân loại bệnh tật hoặc bất kỳ biện pháp hành vi tiềm năng nào, chẳng hạn như các biện pháp thiên vị thông tin tiêu cực.
Nghiên cứu tiết lộ rằng dữ liệu não có thể phân loại chính xác những người trầm cảm hoặc dễ bị tổn thương so với những người khỏe mạnh. Nó cũng chỉ ra rằng thông tin dự đoán được phân phối trên các mạng não bộ thay vì được bản địa hóa cao.
Beevers, một giáo sư tâm lý học và giám đốc của Viện Sức khỏe Tâm thần cho biết: “Không chỉ học hỏi rằng chúng ta có thể phân loại người trầm cảm và người không trầm cảm bằng cách sử dụng dữ liệu DTI, chúng ta còn học được điều gì đó về cách biểu hiện của trầm cảm trong não bộ. Nghiên cứu tại Đại học Texas, Austin.
“Thay vì cố gắng tìm ra khu vực bị ảnh hưởng bởi trầm cảm, chúng tôi đang học rằng những thay đổi trên một số mạng góp phần vào việc phân loại trầm cảm”.
Quy mô và độ phức tạp của vấn đề đòi hỏi một cách tiếp cận máy học. Mỗi bộ não được đại diện bởi khoảng 175.000 voxels và việc phát hiện mối quan hệ phức tạp giữa một số lượng lớn các thành phần như vậy bằng cách xem xét các bản quét thực tế là không thể.
Vì lý do đó, nhóm sử dụng máy học để tự động hóa quá trình khám phá.
Schnyer nói: “Đây là làn sóng của tương lai.“Chúng tôi nhận thấy ngày càng có nhiều bài báo và bài thuyết trình tại hội nghị về ứng dụng học máy để giải quyết các vấn đề khó khăn trong khoa học thần kinh”.
Kết quả đầy hứa hẹn, nhưng vẫn chưa đủ rõ ràng để được sử dụng làm thước đo lâm sàng. Tuy nhiên, Schnyer tin rằng bằng cách bổ sung thêm nhiều dữ liệu - không chỉ liên quan đến quét MRI mà còn từ hệ gen và các bộ phân loại khác, hệ thống có thể làm tốt hơn nhiều.
“Một trong những lợi ích của học máy, so với các cách tiếp cận truyền thống hơn, là học máy sẽ tăng khả năng những gì chúng ta quan sát được trong nghiên cứu của mình sẽ áp dụng cho các bộ dữ liệu mới và độc lập. Đó là, nó nên tổng quát hóa thành dữ liệu mới, ”Beevers nói.
"Đây là một câu hỏi quan trọng mà chúng tôi thực sự rất hào hứng để kiểm tra trong các nghiên cứu trong tương lai."
Nguồn: University of Texas at Austin, Texas Advanced Computing Centre
