心理学家让机器学习来帮助诊断抑郁症

抑郁症影响超过1500万美国成年人,约6.7%的美国人口,每年。这是残疾的主要原因为那些年龄在15到44岁。

是否可以检测可能容易受到疾病发病前使用大脑成像?

认知神经科学家David Schnyer和德克萨斯大学奥斯汀分校的心理学教授,认为它可能是。但没有确定它的迹象是简单的问题。他正在使用的踩踏超级计算机在得克萨斯高级计算中心(TACC)训练机器学习算法可以识别共性数百名患者使用磁共振成像(MRI)的大脑扫描,基因组数据和其他相关因素,对于那些提供准确的预测风险抑郁症和焦虑。

研究人员长期研究精神疾病通过检查大脑功能和结构在神经影像数据之间的关系。

“一个困难的工作,它主要是描述性的。大脑网络可能出现两组之间的不同,但实际上它并没有告诉我们关于模式预测哪一组你会落入,”Schnyer说。“我们正在寻找诊断措施预测结果易受抑郁或痴呆。”

Schnyer, 2017年与彼得Clasen(华盛顿大学医学院),克里斯托弗·冈萨雷斯(加州大学圣地亚哥分校)和克里斯托弗Beevers(标准以内),完成概念验证的分析研究中,使用机器学习的方法来分类患有重度抑郁症与约75%的准确率。

机器学习是计算机科学的一个分支,它涉及到算法能够“学习”的建设从样本数据输入,通过构建一个模型,然后进行独立预测新数据。

的机器学习的类型Schnyer和他的团队测试了被称为支持向量机学习。研究人员提供了一组训练的例子,每一个标记为属于健康的人或那些被诊断为抑郁症。Schnyer和他的团队在他们的数据标签功能有意义,和这些例子被用来训练系统。计算机然后扫描数据,发现不同部分之间存在着微妙的联系,建立了一个模型,分配一个类别的新例子。

在这项研究中,Schnyer分析大脑的数据从52寻求治疗的参与者与抑郁症,参与者和45石南的控制。比较组,他们匹配的一个子集抑郁与健康个体参与者根据年龄和性别,样本容量为50。

参与者收到扩散张量成像(DTI) MRI扫描,而水分子标记来确定这些分子是显微镜下扩散的程度随着时间的推移在大脑中。通过测量这在多个空间方向扩散,向量是为每个体素生成(三维立方体代表结构或整个大脑的神经活动)量化主要纤维取向。这些测量然后翻译成指标表明大脑皮层内白质通路的完整性。

一个共同的参数用来描述DTI分数各向异性:高度定向扩散的程度(高分数各向异性)或无限制(低分数各向异性)。

他们比较这些分数各向异性测量两组之间,发现统计上显著的差异。然后他们体素所涉及的数量减少到最相关的一个子集进行分类和使用机器学习的分类和预测的方法。

“我们在整个大脑提要数据或一个子集和预测疾病分类或任何潜在的行为测量措施等负面信息偏差,”他说。

这项研究表明,DTI-derived分数各向异性地图可以准确分类抑郁或脆弱的个体与健康对照组。它还表明,预测信息是分布在大脑网络而不是高度本地化。

“不仅是学习,我们可以使用DTI数据分类抑郁与那些不患抑郁症的人,我们也学习一些关于抑郁症在大脑中是如何表示的,“Beevers说,心理学教授和主任奥斯汀德州大学精神卫生研究所。”,而不是试图找到区域中断在萧条时期,我们学习,改变在许多网络导致抑郁症的分类”。

问题的规模和复杂性需要机器学习方法。每一个大脑由大约175000像素点和检测复杂的关系如此大数量的组件通过观察扫描几乎是不可能的。因此,团队使用机器学习来自动发现过程。

“这是未来的潮流,“Schnyer说。“我们看到越来越多的文章和演讲在会议上解决困难问题的机器学习在神经科学中的应用”。

结果是有前途的,但没有明确的足以被用作临床指标。然而,Schnyer不仅相信通过添加更多的数据相关核磁共振扫描,还从基因组学和其他classifiers-the系统可以做得更好。

“机器学习的好处之一,与更传统的方法相比,是机器学习应该增加我们观察的可能性在我们的研究将适用于新的和独立的数据集。也就是说,它应该推广新数据”,Beevers说。“这是一个关键问题,在将来的研究中我们很兴奋试验。”

Beevers和Schnyer将扩大他们的研究包括数据从奥斯汀几百名志愿者社区被诊断为抑郁症,焦虑或相关条件。踩踏事件2-TACC最新的超级计算机将在2017年晚些时候上线,并将当前的两倍——提供所需的计算机处理能力增加将更多数据,实现更大的准确性。

”这种方法,以及运动对开放科学的大型数据库和人类连接体计划一样,意味着设施像TACC是绝对必要的,”Schnyer说。“你不能做这个工作桌面。它会变得越来越重要,与一个高级计算中心建立了关系。”