Передовая модель машинного обучения поможет предсказать эффективность лекарств для депрессии

Изучение биомаркеров в головном мозге с помощью передовых методов машинного обучения может пересмотреть способы классификации и диагностики психических заболеваний и привести к созданию более эффективных и персонализированных методов лечения.

Такова цель Ю Чжана, доцента кафедры биоинженерии, электротехники и компьютерной инженерии Колледжа инженерных и прикладных наук Университета Лихай, который недавно получил крупную поддержку от Национального института психического здоровья (NIMH), подразделения Национального института здоровья (NIH). Два гранта общей стоимостью около 4 млн. долл. будут направлены на финансирование двух проектов по поиску биомаркеров с помощью визуализации мозга и машинного обучения (ML) для улучшения диагностики и результатов лечения пациентов с психическими расстройствами.

Биомаркер — это, по сути, некий признак, который указывает на состояние здоровья и его можно измерить.

Первое исследование направлено на улучшение лечения депрессии. По данным Всемирной организации здравоохранения, этим заболеванием страдают около 280 млн. человек во всем мире. Антидепрессанты являются основной формой лечения, но они эффективны лишь у половины пациентов, принимающих их, говорит Чжан, возглавляющий лабораторию визуализации мозга и вычислений (BIC Lab) в Lehigh.

Традиционно для диагностики депрессии медицинские работники используют сочетание поведенческих и клинических симптомов, а эти симптомы достаточно субъективны и вызывают существенную неоднородность у пациентов, — говорит он.

Наша цель — создать объективные биомаркеры с помощью визуализации мозга и машинного обучения, которые бы лучше отражали дисфункцию мозга. Эти биомаркеры, по сути, позволят нам предсказывать, ответит ли конкретный пациент на медикаменты, основываясь на его мозговых схемах, и это поможет направлять персонализированное вмешательство.

Чжан и его команда, в которую входят сотрудники Медицинской школы Делла (Dell Med) при Техасском университете в Остине, Медицинской школы Перельмана (PSOM) при Пенсильванском университете и Медицинской школы Стэнфордского университета, для создания биомаркеров будут использовать данные двойного слепого рандомизированного плацебо-контролируемого клинического исследования. Эти данные, включая функциональную магнитно-резонансную томографию (фМРТ) и электроэнцефалографию (ЭЭГ), полученные от пациентов до начала лечения, будут использованы для обучения модели машинного обучения для выявления биомаркеров в головном мозге.

Вместо отдельных областей мозга биомаркер, который мы ищем, характеризуется взаимодействием между различными областями и между модальностями визуализации мозга, — говорит Чжан.

Мы изучаем крупномасштабные сети мозга, связанные с различными психическими расстройствами, в основном с когнитивной рабочей памятью и эмоциональной регуляцией. Мы предполагаем, что взаимодействие между этими внутренними сетями мозга может выявить информативные биомаркеры, способные предсказать индивидуальный ответ на лечение.

По его словам, степень взаимодействия между сетями может указывать на степень реакции человека на медикаментозное лечение.

После того как команда создаст модель, она проверит ее, проведя независимое клиническое исследование. Исследователи из Dell Med наберут около 50 человек с диагнозом «депрессия», назначат им антидепрессанты и измерят изменение симптомов.

Мы также будем собирать данные визуализации мозга до лечения и использовать их для проверки и оптимизации результатов исследования биомаркеров, — говорит Чжан.

Он представляет себе будущее, в котором эта модель, легко устанавливаемая на любой компьютер, будет работать в тандеме с портативным ЭЭГ-прибором.

Пациент клиники или больницы сканирует свой мозг с помощью ЭЭГ, и эти данные поступают в модель. Модель использует эти сигналы мозга для оценки силы или слабости связей между областями мозга — т.е. биомаркеров — и затем генерирует результаты, которые сообщают врачу или клиницисту, насколько хорошо или плохо человек реагирует на антидепрессивные препараты, основываясь на этих биомаркерах.

Хотя Чжан и его команда рассматривают только селективные ингибиторы обратного захвата серотонина (СИОЗС), конечная цель, по его словам, состоит в том, чтобы доработать модель настолько, чтобы она могла предсказывать реакцию человека на другие препараты.

По его словам, биомаркер, управляемый искусственным интеллектом, не только обеспечит персонализированный подход к лечению, но и заменит существующую стратегию лечения методом проб и ошибок, которая приводит к потере времени и денег.

Зачастую для пациентов время даже важнее денег, — говорит Чжан.

Поэтому сочетание передового искусственного интеллекта с визуализацией мозга может привести к появлению нового решения, которое поможет людям быстро и даст им больше уверенности в том, что их лечат. Это может стать одной из форм высокоточного лечения психических заболеваний, которая даст пациентам реальную надежду.

Во втором недавно профинансированном исследовании Чжан также будет использовать данные визуализации мозга для выявления биомаркеров, на этот раз для пересмотра классификации психических расстройств.

В настоящее время психические расстройства группируются в соответствии с субъективными поведенческими и клиническими оценками и самоотчетными опросниками, говорит Чжан. В результате в рамках одной диагностической категории, например, аутизма, спектр симптомов может быть очень широким.

Некоторые пациенты демонстрируют совершенно разные — или гетерогенные — симптомы по сравнению с другими пациентами в рамках данной категории аутизма, — говорит он.

В то же время в таких категориях, как аутизм, синдром дефицита внимания/гиперактивности и депрессия, можно обнаружить значительное совпадение, или коморбидность, симптомов. Мы считаем, что существует недостаток глубокого понимания гетерогенности и коморбидности основных психических расстройств. Наш проект предусматривает сбор более объективных данных о состоянии организма человека. Мы объединим данные визуализации мозга с машинным обучением, чтобы выявить аномалии нейроцепей в традиционных диагнозах, что поможет нам пересмотреть классификацию психических расстройств.

Пересмотр системы классификации может способствовать разработке более эффективного лечения пациентов, считает Чжан. В настоящее время пациенты, у которых диагностировано определенное заболевание, как правило, получают универсальное лечение. Некоторые пациенты хорошо реагируют на лечение, другие не реагируют вообще, а у третьих могут возникнуть побочные реакции. Это объясняется тем, что их мозг работает совершенно по-разному. Если бы система могла быть более тонко настроена, то такие методы лечения, как медикаментозное, психотерапевтическое и нейромодуляционное, можно было бы лучше подбирать под конкретные потребности.

Чжан и его команда будут вводить данные визуализации мозга и оценки поведения в модель машинного обучения, которая позволит выявить закономерности взаимосвязей в мозге. Эти биомаркеры помогут объяснить состояние психического здоровья в более широком диапазоне.

Сейчас диагноз — это как жесткий ярлык, но мы считаем, что объяснение этих состояний по спектру поможет нам определить субпопуляции в клинической выборке, — говорит он.

Выявив эти подтипы, мы сможем продолжить изучение их уникальных и общих аномалий мозга и лучше понять, какое лечение будет наиболее полезным для данного конкретного подтипа.

Идея заключается в том, что в конечном итоге врачи будут собирать у пациента данные как о визуализации мозга, так и о поведении, вводить их в модель, чтобы узнать, к какому подтипу относится пациент, и затем приступать к лечению, соответствующему этому подтипу.

Эта работа способна по-новому оценить состояние психического здоровья и станет серьезным прорывом в этой области, — говорит Чжан.

Она может помочь нам разработать более эффективную терапию для отдельных пациентов, чего невозможно добиться при традиционной клинической диагностике.

10.07.2023