محققان طبقه‌بندی مبتنی بر یادگیری ماشینی ایجاد کردند که می‌تواند به تشخیص زودهنگام روان‌پریشی کمک کند

با استفاده از یک ابزار یادگیری ماشینی که می‌تواند اسکن‌های مغزی MRI را به افراد سالم و در معرض خطر یک دوره روان‌پریشی طبقه‌بندی کند، شروع روان‌پریشی را می‌توان پیش از وقوع پیش‌بینی کرد.

یک کنسرسیوم بین المللی شامل محققان دانشگاه توکیو، از طبقه بندی کننده برای مقایسه اسکن های بیش از 2000 نفر از 21 مکان جهانی استفاده کرد. حدود نیمی از شرکت کنندگان از نظر بالینی در معرض خطر بالای ابتلا به روان پریشی شناسایی شده بودند.

با استفاده از داده های آموزشی، طبقه بندی کننده در افتراق بین افرادی که در معرض خطر نبودند و افرادی که بعداً علائم روان پریشی آشکار را تجربه کردند، 85 درصد دقیق بود. با استفاده از داده های جدید، 73 درصد دقیق بود. اثر در منتشر شده است روانپزشکی مولکولی.

این ابزار می‌تواند در تنظیمات بالینی آینده مفید باشد، زیرا در حالی که اکثر افرادی که روان‌پریشی را تجربه می‌کنند بهبودی کامل پیدا می‌کنند، مداخله زودتر معمولاً منجر به نتایج بهتر با تأثیر منفی کمتری بر زندگی افراد می‌شود.

هر کسی ممکن است یک دوره روان پریشی را تجربه کند که معمولاً شامل هذیان، توهم یا تفکر آشفته است. علت واحدی وجود ندارد، اما می‌تواند در اثر بیماری یا جراحت، ضربه، استفاده از مواد مخدر یا الکل، داروها یا یک استعداد ژنتیکی ایجاد شود.

اگرچه می تواند ترسناک یا ناراحت کننده باشد، روان پریشی قابل درمان است و بیشتر افراد بهبود می یابند. از آنجایی که شایع ترین سن برای اولین قسمت در دوران نوجوانی یا اوایل بزرگسالی است، زمانی که مغز و بدن در حال تغییرات زیادی هستند، شناسایی جوانان نیازمند به کمک می تواند دشوار باشد.

پروفسور Shinsuke Koike از دانشکده تحصیلات تکمیلی علوم و هنر در دانشگاه توکیو توضیح داد: “حداکثر 30٪ از افراد بالینی پرخطر بعداً علائم روان پریشی آشکار دارند، در حالی که 70٪ باقیمانده این علائم را ندارند.”

بنابراین، پزشکان برای شناسایی افرادی که علائم روان پریشی دارند نه تنها با استفاده از علائم زیر بالینی، مانند تغییرات در تفکر، رفتار و احساسات، بلکه برخی از نشانگرهای بیولوژیکی نیز به کمک نیاز دارند.

کنسرسیومی از محققان با یکدیگر همکاری کرده اند تا ابزاری برای یادگیری ماشینی ایجاد کنند که از اسکن MRI مغز برای شناسایی افراد در معرض خطر روان پریشی قبل از شروع استفاده می کند.

مطالعات قبلی با استفاده از MRI ​​مغز نشان داده‌اند که تفاوت‌های ساختاری در مغز پس از شروع روان‌پریشی رخ می‌دهد. با این حال، طبق گزارش‌ها، این اولین بار است که تفاوت‌هایی در مغز افرادی که در معرض خطر بسیار بالایی هستند اما هنوز روان‌پریشی را تجربه نکرده‌اند، شناسایی می‌شود.

تیمی از 21 موسسه مختلف در 15 کشور مختلف گروه بزرگ و متنوعی از شرکت کنندگان نوجوان و جوان را گرد هم آورد.

به گفته Koike، تحقیقات MRI در مورد اختلالات روان پریشی می تواند چالش برانگیز باشد زیرا تغییرات در رشد مغز و دستگاه های MRI، دستیابی به نتایج بسیار دقیق و قابل مقایسه را دشوار می کند. همچنین، در مورد افراد جوان، تمایز بین تغییراتی که به دلیل رشد معمولی در حال وقوع است و تغییرات ناشی از بیماری روانی دشوار است.

کویکه توضیح داد: «مدل‌های مختلف MRI پارامترهای مختلفی دارند که نتایج را نیز تحت تأثیر قرار می‌دهند. درست مانند دوربین‌ها، ابزارهای متنوع و مشخصات عکس‌برداری تصاویر متفاوتی از یک صحنه، در این مورد مغز شرکت‌کننده ایجاد می‌کنند. با این حال، ما توانستیم این تفاوت‌ها را اصلاح کنیم و طبقه‌بندی‌کننده‌ای ایجاد کنیم که به خوبی برای پیش‌بینی شروع روان‌پریشی تنظیم شده است.»

شرکت کنندگان به سه گروه از افراد در معرض خطر بالینی بالا تقسیم شدند: کسانی که بعداً به روان پریشی مبتلا شدند. کسانی که به روان پریشی مبتلا نشدند. و افراد با وضعیت پیگیری نامشخص (1165 نفر در مجموع برای هر سه گروه)، و گروه چهارم از افراد سالم برای مقایسه (1029 نفر).

با استفاده از اسکن، محققان یک الگوریتم یادگیری ماشینی را برای شناسایی الگوهای آناتومی مغز شرکت کنندگان آموزش دادند. از این چهار گروه، محققان از این الگوریتم برای طبقه‌بندی شرکت‌کنندگان به دو گروه اصلی مورد علاقه استفاده کردند: کنترل‌های سالم و آن‌هایی که در معرض خطر بالا هستند که بعداً علائم روان‌پریشی آشکار پیدا کردند.

در آموزش، این ابزار در طبقه‌بندی نتایج 85 درصد دقت داشت، در حالی که در آزمون نهایی با استفاده از داده‌های جدید، 73 درصد در پیش‌بینی اینکه کدام شرکت‌کنندگان در معرض خطر بالای شروع روان پریشی هستند، دقت داشت. بر اساس نتایج، این تیم معتقد است که ارائه اسکن‌های MRI مغز برای افرادی که از نظر بالینی در معرض خطر بالایی هستند ممکن است برای پیش‌بینی شروع روان پریشی در آینده مفید باشد.

ما هنوز باید آزمایش کنیم که آیا طبقه‌بندی‌کننده برای مجموعه‌های جدید داده به خوبی کار می‌کند یا خیر. از آنجایی که برخی از نرم‌افزارهایی که استفاده می‌کنیم برای مجموعه داده‌های ثابت بهترین هستند، باید طبقه‌بندی‌کننده‌ای بسازیم که بتواند MRI را از سایت‌ها و ماشین‌های جدید طبقه‌بندی کند. چالشی که یک پروژه ملی علم مغز در ژاپن به نام Brain/MINDS Beyond اکنون در حال انجام آن است.”

اگر بتوانیم این کار را با موفقیت انجام دهیم، می‌توانیم طبقه‌بندی‌کننده‌های قوی‌تری برای مجموعه‌های داده جدید ایجاد کنیم، که می‌توان آن‌ها را در تنظیمات بالینی واقعی و معمول اعمال کرد.»