Newswise — Ученые разработали интерпретационный подход, который позволяет выявлять депрессивное расстройство с точностью до 82,6%, используя определенные показатели нервной системы пациентов. Для достижения этой цели авторы на основе изображений мозговой активности создали функциональные сети, отражающие взаимодействие разных областей мозга больных и здоровых людей. Затем исследователи количественно оценили характеристики каждого узла и связи между ними и классифицировали больных и здоровых субъектов. Новую технологию можно использовать в клинической практике при постановке диагноза. результаты исследований, поддерживается По гранту Российского научного фонда она опубликовано В хаосе: междисциплинарный журнал нелинейной науки.
Большое депрессивное расстройство является широко распространенным психическим заболеванием, которым страдают около 280 миллионов человек во всем мире. Больные теряют интерес ко всем видам деятельности, испытывают беспокойство, сонливость, слабость, чувство вины, самоуничижение. Для выявления депрессивного расстройства люди используют субъективные показатели, отчеты пациентов и записи врачей, и все это не всегда позволяет точно диагностировать тяжесть заболевания. В последние годы для улучшения диагностики психических расстройств врачи стали использовать алгоритмы машинного обучения на основе искусственных нейронных сетей, подобных тем, которые работают в головном мозге. Однако трудно интерпретировать результаты их помощи. В результате невозможно выделить основные параметры, на основании которых нейронная сеть принимает решение.
Ученые из Балтийского федерального университета им. Иммануила Канта (Калининград) и Пловдивского медицинского университета (Болгария) предложили интерпретативный подход, позволяющий выявлять депрессивное расстройство. Для достижения этой цели они использовали изображения, полученные с помощью функциональной магнитно-резонансной томографии — метода, основанного на измерении интенсивности кровотока: при активации определенных областей мозга приток крови к ним увеличивается. Затем по полученным изображениям исследователи построили графы — сложные сети, где узлы (точки) имитируют области мозга, а связи между узлами — ребра графа — отражают взаимодействие между областями. На основе полученных графиков ученые сравнили работу головного мозга 35 пациентов с депрессивным расстройством и 50 здоровых людей, а затем с помощью методов машинного обучения попытались выделить области характеристик обеих групп. .
Предложенный подход позволил точно отличить больных от здоровых людей на 82,6%. Дифференциация по этим кластерам удавалась лучше, если при их анализе авторы учитывали определенный набор сетевых метрик: мощность узла, связность активности областей мозга, количество ребер, то есть количество связей между областями, а также кластеризацию, показывающую в какой степени узел стремится к кластеризации. Если исследователи применяют свойства отдельно или добавляют другие несущественные свойства сети, алгоритм работает некорректно.
Таким образом, этот метод позволил узнать особенности функциональной сети головного мозга, которые различаются у больных и здоровых людей. Благодаря этому алгоритм распознал различия не только в отдельных локальных связях между областями мозга (как в случае с большинством методов), но и в глобальных свойствах всех нейронных сетей. Новый метод позволит отслеживать глобальные изменения в структуре мозга людей с депрессивным расстройством, а также обеспечит клиническую практику надежным прибором для диагностики этого заболевания.
«В дальнейшем на основе полученной информации мы планируем охарактеризовать характерные особенности функциональных сетей головного мозга здоровых людей и больных большой депрессией на разных уровнях головного мозга. Это позволит выделить наиболее важные биомаркеры, которые будут анализироваться для диагностики заболевания на основе данных резонансной томографии «Магнитная», — рассказывает участник проекта, поддержанного грантом «Репортерам без границ», Андрей Андреев, кандидат физико-математических наук. наук, старший научный сотрудник Балтийского федерального университета им. И. Канта.
«Любитель алкоголя. Дружелюбный вебоголик. Пожизненный телеведущий. Гордый интроверт».