Вектор зміни стандарту психодіагностики — візуалізація та комп’ютерний алгоритм

Сучасна діагностична модель у психіатрії, хоча і є найкращою з наявних, однак не відрізняється високим ступенем надійності, зважаючи на три основні чинники. Серед них — неоднорідність пацієнтів (зокрема гетерогенність їх психологічного статусу, здатності надавати достовірну інформацію та варіабельність клінічних проявів), неузгодженість лікарських висновків (зазвичай різні погляди на стан одного пацієнта) та існуючої номенклатури. Так, незважаючи на необхідність біомаркерів для об’єктивізації діагностичного процесу, донині основою ідентифікації психоневрологічних розладів залишаються поведінкові критерії. Враховуючи те що нозологія є ключовим аспектом психіатрії, який визначає оцінку стану пацієнтів і вибір варіантів терапії, запровадження діагностичної моделі, зосередженої на об’єктивному аналізі та прийнятті більш зважених діагностичних рішень, є досить необхідним кроком.

Трансформація візуального висновку в числовий діагностичний результат

Один із сучасних об’єктивних методів оцінки — нейровізуалізація. Врахування висновків цього інструментального методу за певних умов може спрощувати діагностичний процес. Однак донині нейровізуалізація не застосовується у психіатрії для прийняття рутинних клінічних рішень всупереч існуючій зацікавленості в методі. Машинне навчання як технологія використовує статистичні методи для пошуку закономірностей у великих обсягах інформаційних даних. Процес навчання алгоритму розпочинається з аналізу наявних даних і з часом автономно вдосконалюється. Останні досягнення у сфері машинного навчання в поєднанні з методами нейровізуалізації вже дозволяють оцінювати зміни локальних морфологічних рис окремих регіонів головного мозку для виявлення нових повторюваних закономірностей, пов’язаних із розвитком захворювання. Визначені шаблони в подальшому можуть застосовуватися обчислювальними моделями для створення класифікаторів з метою спрощення процесу прийняття діагностичних рішень.

Раніше проведено окремі дослідження з використанням подібних моделей для класифікації пацієнтів відповідно до певної діагностичної категорії, зокрема розладів аутистичного спектра (РАС) та шизофренії. Однак більшість подібних досліджень зосереджені на диференціації психодіагностичних ознак між особами з типовим нервово-психічним розвитком та людьми, що мають психічні розлади. Зазначена класифікація важлива для виявлення повторюваних морфофункціональних закономірностей головного мозку, які відрізняються тим, що вважаються типовими. Водночас ця класифікація жодним чином не демонструє різниці між групами пацієнтів, що важливо в обґрунтуванні  достовірності психіатричної нозології та розумінні перетину між різними психічними захворюваннями. Однак застосування кожного з підходів формує більш чітке уявлення про характер розладів та їх відмінності. Крім того, вивчення діагностичної «поведінки» попередньо навченого класифікатора стосовно проміжних фенотипів або ранніх доклінічних змін психічного стану пацієнтів допомагає кількісно оцінювати розвиток захворювання, прогнозувати його перебіг та розуміти перетин між різними нозологічними, фенотиповими та нейробіологічними категоріями.

У новому дослідженні вчені Токійського університету (University of Tokyo), Японія, поєднуючи метод машинного навчання та інструменти візуалізації головного мозку, вперше здійснили оцінку диференційних ознак різних психічних розладів, включаючи РАС та шизофренію, на основі 6 різних алгоритмів. Мета дослідження — пошук відмінностей даних магнітно-резонансної томографії (МРТ) головного мозку окремих груп пацієнтів та здорових осіб. У ході роботи командою експертів із клінічної медицини та машинного навчання створено компю’терний алгоритм на основі зразків МРТ головного мозку дорослих (n=206), серед яких були пацієнти з раніше діагностованим РАС  або шизофренією, особи з високим ризиком розвитку шизофренії, пацієнти, які вже мали в анамнезі дебют психотичного розладу, а також здорові особи з типовим психоневрологічним розвитком. Усі учасники дослідження — пацієнти з РАС чоловічої статі. В інших групах представленість жінок та чоловіків була майже однаковою. Результат машинного навчання продемонстрував здатність алгоритмів пов’язувати розвиток у людини тих чи інших психічних розладів із варіаціями товщини, площі поверхні  або об’єму окремих ділянок головного мозку, відтворених на зображеннях МРТ. Закономірно, що можливість такої диференціації все ж не здатна пояснювати причини або механізм розвитку будь-яких фізичних відмінностей у тканині головного мозку за умов певного психічного розладу.

Надійність методу та практичне значення

Аналізуючи інформативність і надійність алгоритму, відзначено, що діагностичний результат програмного методу зіставний з оцінками клініцистів-психіатрів на рівні 85%. Крім того, важливою характеристикою методу є те, що алгоритм машинного навчання здатний диференціювати здорових осіб, пацієнтів з РАС, шизофренією або факторами ризику розвитку цього захворювання. Коментуючи отримані результати, автори висловили думку про те, що успішне розпізнавання структурних відмінностей головного мозку здорових людей та осіб, які мають біомаркери ризику розвитку шизофренії, насамкінець зможе підтвердити наявність таких патоморфологічних особливостей у осіб із факторами ризику задовго до маніфестації клінічних проявів у майбутньому. Матеріали дослідження опубліковано у виданні «Translational Psychiatry» 17 серпня 2020 р.

  • Yassin W., Nakatani H., Zhu Y. et al. (2020) Machine-learning classification using neuroimaging data in schizophrenia, autism, ultra-high risk and first-episode psychosis. Transl. Psychiatry, Aug. 17. DOI: 10.1038/s41398-020-00965-5.

Наталія Савельєва-Кулик

Експертна оцінка можливостей поєднання алгоритмів машинного навчання та магнітно-резонансної томографії головного мозку в діагностиці психічних розладів
Дополнительно:

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *