تشخیص افسردگی با «یادگیری ماشین»

نتایج پژوهشی جدید نشان داده که نوعی الگوریتم یادگیری ماشین که قادر به شناسایی بیماران مبتلا به اختلال افسردگی وخیم است، می‌تواند تشخیص و درمان این بیماری را متحول کند.

کد خبر: ۱۴۰۵۴۶۱

نویسنده سمانه نوروزی | گروه دانش و سلامت

بسیاری از دانشمندان مدت‌هاست بر این باورند که بیماری‌های روانی ریشه در شبکه‌های مغزی ناسالم دارند اما اثبات این که چگونه تغییرات اتصالات کنشی مغز با بیماری‌های خاص ارتباط دارد، دشوار بوده است. اکنون با پیشرفت‌های اخیر در روش‌های اسکن مغزی و ظهور فناوری‌های یادگیری ماشین، شناسایی نشانگرهای شبکه مغزی خاص برای بیماری‌های مختلف سلامت روان امکان‌پذیر شده است.
شرکتی ژاپنی با هدف بهبود توانایی تشخیص بیماری‌های سلامت روان، برای استفاده از نرم‌افزار یادگیری ماشین به‌عنوان ابزاری پزشکی برای تشخیص بیماری افسردگی وخیم (MDD) به‌زودی درخواست مجوز خواهد کرد. این نرم‌افزار از تصویربرداری پرتو مغناطیسی (MRI) و از توزیع اتصالات کنشی در مغز یاد می‌گیرد. سپس از این الگوها برای تشخیص بیماران از افراد سالم استفاده می‌کند. پژوهشگران این شرکت با استفاده از این روش، موفق به کشف نشانگرهای شبکه مغزی برای چند بیماری اعصاب و روان از جمله اسکیزوفرنی و اختلال اوتیسم شدند. تشخیص اختلال افسردگی وخیم در حال حاضر بر تشخیص علائم از سوی روانپزشکان متکی است. با وجود این، اختلاف نظرهایی بین روانپزشکان در تشخیص افسردگی وخیم وجود دارد و استفاده از یک ابزار بیرونی که فعالیت مغز فرد را اندازه‌گیری می‌کند، تشخیص‌های سنجیده‌تر و دقیق‌تری را امکان‌پذیر می‌کند. یوکی ساکای، روانپزشک و از پژوهشگران و بنیان‌گذاران این شرکت می‌گوید: «نیازی حیاتی و جهانی برای به‌کارگیری یک روش زیستی به منظور تشخیص سلامت روان وجود دارد.»نرم‌افزار طراحی شده در این شرکت با استفاده از داده‌های تصویربرداری MRI کارکردی حالت استراحت (rs-fMRI) ساخته شده است. rs-fMRI روش غیرتهاجمی(بدون نیاز به جراحی) است که فقط ۱۰دقیقه طول می‌کشد. این اسکن‌ها الگوهای اتصال را بین گره‌های مغز مشخص و نرم‌افزار به ‌طور خودکار احتمال ابتلا به افسردگی وخیم را محاسبه می‌کند. الگوریتم‌های یادگیری ماشین متعددی از نشانگرهای شبکه مغزی برای تشخیص افراد مبتلا به بیماری‌های روانی از افراد سالم استفاده می‌کنند اما بیشتر این دسته‌بندهایی که طراحی شده‌اند در نتیجه‌ تصویربرداری از داوطلبانی است که در یک مکان انجام شده است. به گفته ساکای، تعمیم این دسته‌بندی‌ها به داده‌های به‌دست‌آمده از مکان‌های دیگر امکان‌پذیر نیست، زیرا هر دستگاه MRI تصاویری متفاوت، حتی برای یک بیمار مشابه تولید می‌کند. این تفاوت‌ها ناشی از عوامل متعددی است از تفاوت در مدل دستگاه گرفته تا محیطی که اسکنر در آن قرار دارد. برای غلبه بر این مشکل از گروهی از داوطلبان خواسته شد به مکان‌های مختلفی بروند و تحت اسکن قرار گیرند. سپس دانشمندان یک روش هماهنگ‌سازی ایجاد کردند که داده‌ها را یکنواخت و تفاوت‌های خاص مکان را به منظور افزایش دقت حذف می‌کرد. در این پژوهش از بیش از ۷۰۰ داوطلب (شامل تقریبا ۱۵۰بیمار مبتلا به افسردگی وخیم) و چهار مکان مختلف استفاده شد. نشانگرهای شبکه مغزی در فرآیند تولید دارو هم می‌توانند مؤثر باشند. نشانگرهای شبکه مغزی، پژوهشگران را قادر می‌سازند تا بیماران را در زیرگروه‌های زیستی یکسان طبقه‌بندی کنند. بنابراین انجام آزمایش‌های بالینی متمرکز بر داروهایی که برای زیرگروه خاصی مؤثر است، امکان‌پذیر می‌شود.