Italian AI Stories »- это серия, созданная в результате сотрудничества AI for People и Итальянской ассоциации машинного обучения (IAML), которая открывает почву для итальянских исследователей в области искусственного интеллекта. Итальянские истории искусственного интеллекта позволяют исследователям делиться своей работой и своими идеями о том, как это повлияет на общество, в котором они живут.

Вы - итальянский исследователь ИИ и хотите поделиться своей работой с общественностью? Вы можете связаться с Марта Зиози или Симоне Скардапане.

Пятый выпуск нашей серии посвящен исследованию того, как ИИ может помочь психиатрам в понимании неврологических расстройств. Сегодня мы узнаем об исследовании Массимо В. Риволта. Массимо В. Риволта в настоящее время является научным сотрудником после получения докторской степени в Департаменте компьютерных наук Миланского университета, Милан, Италия. Его основные исследовательские интересы - обработка сигналов, извлечение функций и машинное обучение в применении к биомедицинским данным. Его научные исследования сосредоточены на понимании физиологических явлений и поиске соответствующих клинических биомаркеров.

Мы точно не знаем, может ли искусственный интеллект (ИИ) страдать от перепадов настроения. Однако мы знаем, что машинное обучение (ML), ветвь искусственного интеллекта, помогает психиатрам в понимании неврологических расстройств, таких как шизофрения и биполярное расстройство (BD). В этой статье мы остановимся на последнем.

БР - это тяжелое психическое заболевание, которым страдают около 1-2% населения [1], характеризующееся перепадами настроения с чередованием депрессивных и маниакальных эпизодов. В этом контексте магнитно-резонансная томография (МРТ) неизменно показывала, что структура мозга у пациентов с BD широко поражается, особенно с уменьшением объема серого вещества, увеличением желудочков, повреждением мозолистого тела и уменьшением толщины коры в сером веществе. . Проще говоря, BD изменяет структуру определенных областей мозга. Однако неясно, какие области мозга наиболее затронуты, как измерить такие изменения и каков диапазон совпадения со здоровыми субъектами.

В [2] мои коллеги и я проанализировали изображения МРТ, полученные от сорока одного пациента, страдающего BD, и тридцати четырех здоровых субъектов, оба поступили в больницу на севере Италии. Основная цель состояла в том, чтобы определить наиболее частые области мозга, пораженные BD, которые можно было бы оптимально отличить от здоровых субъектов. Цель была очень сложной и сложной как минимум по трем причинам. Во-первых, мозг состоит из множества областей в зависимости от их положения, морфологии и функций. Действительно, в зависимости от определения «области мозга» существует несколько атласов мозга. Таким образом, наша первая проблема заключалась в том, какой атлас использовать. Во-вторых, количество возможных функций, извлекаемых из изображений МРТ, бесчисленное множество. Однако в этом случае, имея ограниченный размер выборки и данные, собранные только из одной больницы, было неудобно использовать стратегию «пробовать все», потому что мы могли просто попасть в ловушку переобучения (т. Е. Выбрать функцию, которая очень хорошо работает). хорошо в этой группе населения, но очень плохо в другой). Второй проблемой был выбор функций для извлечения. В-третьих, диагноз BD обычно выполняется с использованием определенных критериев из Руководства по диагностике и статистике психических расстройств Американской психиатрической ассоциации. К сожалению, диагностика, выполненная с помощью этого руководства, может страдать от вариабельности между экспертами. Проще говоря, диагноз может быть неопределенным, и, следовательно, методологии машинного обучения должны правильно решать эту проблему.

У первой проблемы было простое решение. Действительно, учитывая ограниченный размер выборки, мы решили использовать атлас мозга, который был широко принят в этом контексте и мог помочь сравнить результаты с результатами, опубликованными другими исследователями. Мы решили сегментировать области мозга из изображений МРТ с использованием атласа Desikan [3] с помощью программного обеспечения FreeSurfer (http://surfer.nmr.mgh.harvard.edu/). Всего было получено 58 сегментированных областей, по 29 для каждого полушария.

Что касается второй проблемы, хорошо известно, что средняя толщина коры уменьшается в определенных областях мозга в BD, и в качестве хорошей отправной точки мы извлекли ее из каждой из 58 областей мозга (рис. 1). Однако мы также хотели понять, могут ли другие характеристики коры головного мозга, а не только средние, помочь в различении здоровых субъектов и пациентов с BD. Мы решили извлечь асимметрию толщины коры головного мозга в дополнение к среднему значению. Таким образом, по каждому предмету у нас было извлечено 116 признаков.

Третья проблема была очень сложной, поскольку большинство алгоритмов машинного обучения, проверенных на медицинских данных, требуют точной диагностики. Кроме того, многие алгоритмы машинного обучения не полагаются на предположение, что субъекты с определенным диагнозом должны быть похожи друг на друга с точки зрения извлеченных признаков. Другими словами, черты лица пациентов с ББ должны быть похожи друг на друга и в то же время далеки от характеристик здоровых людей. Хотя эта характеристика может быть спорной, ее часто ищут в медицине. Чтобы учесть обе проблемы, мы решили применить полууправляемый метод на основе графов [4] в сочетании с дистанционным метрическим обучением на основе соседа с большим запасом [5] (рис. 2 ). Чтобы упростить этот метод, требуется, чтобы только небольшая часть образцов (в данном случае субъектов) была правильно помечена (диагностирована), а затем распространяются метки на другие образцы на основе расстояния, измеренного между функциями, принадлежащими парам субъектов. Вместо этого дистанционное метрическое обучение увеличивает сходство внутри одной и той же диагностической группы и увеличивает расстояние между разными.

Используя выбранные методологии, мы выполнили выбор функций (подход Greedy Forward), максимизируя точность проверки с пулом максимум 5 функций из 116 (мы ограничили максимальное количество, чтобы еще больше ограничить переобучение). Мы обнаружили, что уже было известно, что большинство выбранных областей мозга вовлечены в пациентов с BD, что доказывает, что предложенный конвейер ML был актуален и, вероятно, позволял избежать переобучения для небольшой популяции. Кроме того, еще одним важным результатом было то, что асимметрия толщины коры была обнаружена как мощный признак для диагностики BD, как и в среднем. Хотя это требует дальнейших исследований, если асимметрия окажется актуальной и в других популяциях, это может означать, что BD сжимает кору неоднородным образом, например, как можно представить на начальной стадии заболевания.

В заключение, правильный выбор алгоритма машинного обучения в сочетании со знаниями в области медицины помог пролить свет на то, как BD влияет на структуру человеческого мозга.

Понимание того, что может вызвать BD или на что влияет BD, имеет фундаментальное значение для противодействия расстройству, для улучшения качества жизни пациентов и их близких родственников или, что еще лучше, для его предотвращения. Хотя до полной характеристики BD и его эффектов еще далеко, исследовательские группы по всему миру (включая нашу) тратили время и ресурсы на достижение такой важной цели.

Ссылки:
[1] Освальд П., Суэри Д., Каспер С., Лекрубье Й., Монтгомери С., Виккарт С., Зохар Дж., Мендлевич Дж., Современные проблемы биполярного расстройства: критический обзор, Eur Neuropsychopharmacol 2007; 17: 687–695.
[2] Squarcina L., Dagnew TM, Rivolta MW, Bellani M., Sassi R., Brambilla P., Автоматический выбор признаков толщины коры и асимметрии при биполярном расстройство с использованием метода полууправляемого обучения, J Affect Disord 2019; 256: 416–423.
[3] Desikan RS, Ségonne F., Fischl B., Quinn BT, Dickerson BC, Blacker D., Buckner RL , Дейл AM, Магуайр Р.П., Хайман Б.Т., Альберт М.С., Киллиани Р.Дж., Автоматическая система маркировки для разделения коры головного мозга человека на МРТ-сканировании на интересующие области на основе гирали, Neuroimage 2006; 31: 968–980.
[ 4] Эрдем А., Пелилло М., Преобразование графа как некооперативная игра, Neural Comput 2012; 24: 700–723.
[5] Вайнбергер К.К., Саул Л.К., Дистанционное метрическое обучение для классов ближайших соседей с большим запасом sification, J Mach Learn Res 2009; 10: 207–244.