L'imaging cerebrale e l'apprendimento automatico possono aiutare a prevedere il rischio di malattie mentali

I ricercatori stanno combinando dati di imaging cerebrale e supercomputer per identificare modelli nei dati di neuroimaging che possono aiutare a prevedere il rischio di disturbi mentali come depressione o demenza.

La depressione colpisce più di 15 milioni di adulti americani, o circa il 6,7% della popolazione statunitense, ogni anno. È la principale causa di disabilità per le persone di età compresa tra 15 e 44 anni.

Il dottor David Schnyer, neuroscienziato cognitivo e professore di psicologia presso l'Università del Texas ad Austin, ha affermato che la capacità di prevedere il rischio di malattia mentale non è semplice.

Sta usando un supercomputer per addestrare un algoritmo di apprendimento automatico in grado di identificare i punti in comune tra centinaia di pazienti utilizzando scansioni cerebrali di risonanza magnetica (MRI), dati genomici e altri fattori rilevanti, per fornire previsioni accurate del rischio per chi soffre di depressione e ansia .

I ricercatori hanno studiato a lungo i disturbi mentali esaminando la relazione tra la funzione cerebrale e la struttura nei dati di neuroimaging.

"Una difficoltà con quel lavoro è che è principalmente descrittivo. Le reti cerebrali possono sembrare differire tra due gruppi, ma non ci dicono quali schemi prevedono effettivamente in quale gruppo cadrai ", ha detto Schnyer.

"Stiamo cercando misure diagnostiche che siano predittive di esiti come la vulnerabilità alla depressione o alla demenza".

Nel 2017, Schnyer, in collaborazione con ricercatori di diverse università, ha completato un'analisi di uno studio proof-of-concept che utilizzava un approccio di apprendimento automatico per classificare gli individui con disturbo depressivo maggiore con circa il 75% di accuratezza.

Co-investigatori inclusi Drs. Peter Clasen (University of Washington School of Medicine), Christopher Gonzalez (University of California, San Diego) e Christopher Beevers (University of Texas, Austin).

L'apprendimento automatico è un sottocampo dell'informatica che implica la costruzione di algoritmi in grado di "apprendere" costruendo un modello da input di dati campione e quindi fare previsioni indipendenti su nuovi dati.

I ricercatori hanno fornito una serie di esempi di formazione, ciascuno contrassegnato come appartenente a individui sani o a coloro a cui è stata diagnosticata la depressione. Schnyer e il suo team hanno etichettato le caratteristiche nei loro dati che erano significative e questi esempi sono stati usati per addestrare il sistema.

Un computer ha quindi analizzato i dati, trovato sottili connessioni tra parti disparate e costruito un modello che assegna nuovi esempi a una categoria o all'altra.

Nello studio, Schnyer ha analizzato i dati cerebrali di 52 partecipanti in cerca di trattamento con depressione e 45 partecipanti al controllo della salute. Per confrontare i gruppi, hanno abbinato un sottoinsieme di partecipanti depressi con individui sani in base all'età e al sesso, portando la dimensione del campione a 50.

I partecipanti hanno ricevuto scansioni MRI di imaging del tensore di diffusione (DTI), che etichettano le molecole d'acqua per determinare la misura in cui tali molecole sono diffuse microscopicamente nel cervello nel tempo.

I ricercatori hanno confrontato le misurazioni risultanti tra i due gruppi e hanno trovato differenze statisticamente significative. Hanno quindi ridotto i dati coinvolti a un sottoinsieme più pertinente per la classificazione e hanno effettuato la classificazione e la previsione utilizzando l'approccio di apprendimento automatico.

"Forniamo dati dell'intero cervello o di un sottoinsieme e prevediamo le classificazioni delle malattie o qualsiasi potenziale misura comportamentale come le misure di bias di informazioni negative", afferma.

Lo studio ha rivelato che i dati del cervello possono classificare con precisione gli individui depressi o vulnerabili rispetto ai controlli sani. Ha anche dimostrato che le informazioni predittive sono distribuite attraverso le reti cerebrali piuttosto che essere altamente localizzate.

"Non solo stiamo imparando che possiamo classificare le persone depresse rispetto a quelle non depresse utilizzando i dati DTI, stiamo anche imparando qualcosa su come la depressione è rappresentata all'interno del cervello", ha detto Beevers, professore di psicologia e direttore dell'Istituto per la salute mentale Ricerca presso l'Università del Texas, Austin.

"Piuttosto che cercare di trovare l'area che è disturbata dalla depressione, stiamo imparando che le alterazioni in una serie di reti contribuiscono alla classificazione della depressione".

La portata e la complessità del problema richiedono un approccio di apprendimento automatico. Ogni cervello è rappresentato da circa 175.000 voxel e rilevare relazioni complesse tra un numero così elevato di componenti guardando le scansioni è praticamente impossibile.

Per questo motivo, il team utilizza l'apprendimento automatico per automatizzare il processo di scoperta.

"Questa è l'onda del futuro", afferma Schnyer."Stiamo assistendo a un numero crescente di articoli e presentazioni alla conferenza sull'applicazione dell'apprendimento automatico per risolvere problemi difficili nelle neuroscienze".

I risultati sono promettenti, ma non ancora abbastanza chiari da poter essere utilizzati come metrica clinica. Tuttavia, Schnyer ritiene che aggiungendo più dati, relativi non solo alle scansioni MRI, ma anche alla genomica e ad altri classificatori, il sistema possa fare molto meglio.

"Uno dei vantaggi dell'apprendimento automatico, rispetto agli approcci più tradizionali, è che l'apprendimento automatico dovrebbe aumentare la probabilità che ciò che osserviamo nel nostro studio si applichi a set di dati nuovi e indipendenti. Cioè, dovrebbe generalizzarsi a nuovi dati ", ha detto Beevers.

"Questa è una domanda fondamentale che siamo davvero entusiasti di testare in studi futuri".

Fonte: Università del Texas ad Austin, Texas Advanced Computing Center