Нейровизуальное машинное обучение способно на лучшее прогнозирование — даже в сложных клинических случаях — чем обычные специалисты. К такому заключению пришли Koutsoulery N. et al, проанализировав данные 116 индивидов с высоким клиническим риском (ВКР) или 120 с недавним депрессивным эпизодом (НДЭ) в пяти странах (Испания, Германия, Франция, Италия, с помощью клинического, нейровизуального и комбинированного машинного обучения и сравнив полученное с прогнозированием живых экспертов.
Исследователи загрузили в программу данные по уменьшению объёма серого вещества (ОСВ) в медиально-префронтальной коре и увеличению в дорсолатеральных префронтальной для пациентов с ВКР; для группы пациентов с НДЭ — по уменьшению медиотемпоральной и увеличению в префронально-перисильвиарной. Бесплатная программа NeuroMiner (www.pronia.eu), запущенная в 2009 году, анализирует такие неоднородные данные как клинические и нейрокогнитивные отчёты, структурные и нейровизуальные показатели, генетическую информацию. Программа самостоятельно определяет способы предварительной обработки, фильтрации и увязывания данных для получения наиболее точных результатов прогнозирования.
NeuroMiner обучен работать с тремя моделями: социального поведения (по шкале общей оценки функционального статуса, GAF — Global Assessment of Functioning Scale), нейровизуализации ОСВ и комбинирования первых двух для получения единого результата.
Исследователи сравнили данные пациентов со здоровой контрольной группой, которые соответствовали друг другу по возрасту, полу и месту жительства. Социодемографические характеристики пациентов с повышенным риском не сильно отличались от противопоставленной группы, но показали менее высокие результаты в образовании (в первой группе почти в три раза больше индивидов, которым пришлось повторно проходить образовательные программы). Кроме того, у пациентов с ВКР меньшая вероятность наличия партнёра (44% против 73%). В целом у пациентов с ВКР и НДЭ возникают проблемы с выражением эмоций.
Постоянный недостаток в социальном и ролевом функционировании приводят к расстройствам психики и настроения. Новые технологические методы прогнозирования могут позволить предсказать и предупредить развитие психотических и депрессивных эпизодов. Машинное обучение позволило верно предсказать исход заболевания в 83% случаев с ВКР и 70% с НДЭ. Примечательно, что живые специалисты справились с данным заданием только в 27% случаев. Дальнейшие исследования будут нацелены на включение в анализ клинических данных и факторов среды.
Материал подготовлен в рамках проекта ProШизофрению — специализированного раздела официального сайта Российского Общества Психиатров, посвященного шизофрении, современным подходам к её диагностике и лечению.
Автор перевода: Корнеева К.К.
Редакция: Касьянов Е.Д.
Ссылки:
- Koutsouleris N., et al. Prediction Models of Functional Outcomes for Individuals in the Clinical High-Risk State for Psychosis or With Recent-Onset Depression: A Multimodal, Multisite Machine Learning Analysis. JAMA Psychiatry, 26/09/2018. doi:10.1001/jamapsychiatry.2018.2165
- Wolpert DH. Stacked generalization. Neural Netw. 1992;5:241-259. doi:10.1016/S0893-6080(05) 80023-1
- Kambeitz-Ilankovic L, Meisenzahl EM, Cabral C, et al. Prediction of outcome in the psychosis prodrome using neuroanatomical pattern classification. Schizophr Res. 2016;173(3):159-165. doi:10.1016/j.schres.2015.03.005