მანქანაში სწავლის ალგორითმი ახდენს შიზოფრენიის კლასიფიკაციას მაღალი სიზუსტით

შეიძლება თუ არა ფსიქიკური ჯანმრთელობის დარღვევების ადრეული გამოვლენა ხელოვნური ინტელექტის გამოყენებით? ჟურნალში გამოქვეყნებულ კვლევაში npj შიზოფრენია კანადაში, ალბერტას უნივერსიტეტისა და ინდოეთის ფსიქიკური ჯანმრთელობისა და ნეირომეცნიერების ეროვნული ინსტიტუტის მკვლევარებმა შექმნეს მანქანური სწავლების ალგორითმი, რომლის მიხედვით შიზოფრენიის შემთხვევები კლასიფიცირებულია თავის ტვინის სურათებზე 87 პროცენტიანი სიზუსტით.

მანქანური სწავლება სულ უფრო ხშირად გამოიყენება, როგორც უამრავი საშუალება კლინიცისტების დასახმარებლად. ეს დიდწილად განპირობებულია კომპიუტერული ხედვის სქემა-ამოცნობისა და პროგნოზირების გაუმჯობესებული შესაძლებლობებით, ღრმა სწავლის გამოყენებით.

ბოლო წლების განმავლობაში, მანქანური სწავლება იძენს ჯანმრთელობას, ბიოტექნოლოგიას, ფარმაცევტულ და სიცოცხლის შემსწავლელ მეცნიერებებს. აშშ-ს სურსათისა და წამლის ადმინისტრაციამ დაამტკიცა მრავალი სამედიცინო მოწყობილობა, რომლებიც იყენებენ ხელოვნურ ინტელექტს სხვადასხვა მიზნით, როგორიცაა ტვინის სისხლჩაქცევების გამოვლენა, ინსულტი, დიაბეტური რეტინოპათია, მაჯის მოტეხილობები, კორონარული არტერიის დაავადება, ფილტვის ქსოვილის დაზიანება, რკინის კონცენტრაცია ღვიძლში, მამოგრაფიის ანომალიები, თირკმელებში ქვები, ცერებრალური სისხლის მიმოქცევა და სხვა. ეს არის სხეულის აშლილობის დროს AI– ს ტრეილბლაზინგის გამოყენების მაგალითები. რაც ჰორიზონტზეა, ფსიქიკური ჯანმრთელობის AI ალგორითმების გამოყენებაა, რაც ამ კვლევაში მოცემულია როგორც კონცეფციის მტკიცებულება.

”ჩვენი კვლევის მიზანი იყო დიაგნოზის პროგნოზის სიზუსტის გაუმჯობესება, ლიტერატურაში მოხსენიებულ შედეგებთან შედარებით, მახასიათებლების შექმნისა და სწავლის მილსადენის შემუშავებით, რომელიც მოიცავს ნეიროანატომიისა და ნეიროფიზიოლოგიის წინასწარ ცოდნას”, - წერენ მკვლევარები.

შიზოფრენია არის ნეიროფსიქიატრიული აშლილობა, რომელიც გავლენას ახდენს მსოფლიოში 20 მილიონ ადამიანზე 2017 წელს მიღებული მონაცემების მიხედვით. ამერიკის შიზოფრენიისა და მასთან დაკავშირებული დარღვევების ალიანსის (SARDAA) თანახმად, შიზოფრენია დიაგნოზირებულია დაახლოებით 3.5 მილიონი ამერიკელი და იგი ინვალიდობის წამყვან მიზეზებს შორისაა.

”მანქანით დასწავლილ MRI მოდელებს აქვთ ბიოლოგიური მარკერების იდენტიფიცირებისა და სიმპტომების ჯგუფების გამოყოფა”, - წერს სუნილ კალმადი, რომელიც ხელმძღვანელობდა რასელ გრინერის, რიმჰიმ აგრავალის, ვენკარამ შივაკუმარის, ჯანარდჰან ნარაიანავასამი, მეთიუ ბრაუნის, ენდრიუ გრინშოუს, სერდარ მ. დურსუნი და განესანელი ვენკატასუბრამანიანი.

შიზოფრენია არის მძიმე ფსიქიკური აშლილობა, რომელიც გავლენას ახდენს შემეცნებაზე, აღქმაზე, ქცევაზე, ემოციებსა და სხვებთან ურთიერთობაზე. შიზოფრენიით დაავადებულებს შეიძლება ჰქონდეთ ჰალუცინაციები, ბოდვები, არაორგანიზებული მეტყველება, კატატონური ან არაორგანიზებული ქცევა და წარმოსახვითი სინამდვილისგან გამიჯვნა.

”ათწლეულების განმავლობაში ჩატარებული კვლევების მიუხედავად, ძირითადი ფსიქიატრიული მდგომარეობების ზუსტი და საიმედო ეტიოპათოფიზიოლოგიური ნიშნები არ არსებობს”, - წერენ მკვლევარები.

რაც ამ კვლევას სხვებისგან განასხვავებს არის ის, რომ ბევრ ადრეულ კვლევაში გამოყენებული იყო fMRI სკანირება, რომელიც ”დაბნეული იყო ანტიფსიქოზური წამლის ეფექტით” და, შესაბამისად, ”ეს სკანირება არ შეესაბამებოდა პირველი სამედიცინო კონტაქტის წერტილს და, ამრიგად, შეიძლება არ გამოიწვიოს ოპტიმალური დიაგნოსტიკური მოდელები. ” გუნდმა გამოიყენა მონაცემები იმ პაციენტებისგან, რომელთაც დიაგნოზირებული აქვთ შიზოფრენია, მაგრამ ჯერ არ იღებდნენ მედიკამენტებს.

მკვლევარებმა ასევე აღნიშნეს, რომ 80 პროცენტზე მეტი სიზუსტით ჩატარებულ სხვა გამოკვლევებში გამოყენებულია მცირე მონაცემთა ნაკრები, რაც შეიძლება არ იყოს ადეკვატური შიზოფრენიის ჰეტეროგენული ბუნების აღებისას. ამ კვლევაში გამოყენებულია 174 სუბიექტის მონაცემები (81 პაციენტი და 93 კონტროლიორი). პაციენტები იყვნენ ფსიქიკური ჯანმრთელობისა და ნეირომეცნიერების ეროვნული ინსტიტუტიდან (NIMHANS, ინდოეთი), რომლებიც შეესაბამება შიზოფრენიის DSM-IV კრიტერიუმებს. მოხალისეები გამოკვლეულნი იყვნენ, რომ აღმოიფხვრათ ნებისმიერი ფსიქიატრიული დიაგნოზი საკონტროლო ჯგუფისთვის.

გუნდმა დაასახელა მათი AI ინსტრუმენტი "EMPaSchiz", რომელიც შემოკლებულია ანსამბლის ალგორითმისთვის, მრავალი პაკეტით შიზოფრენიის პროგნოზისთვის. MATLAB (The MathWorks, Inc) გამოიყენებოდა წინასწარი დამუშავებისა და მახასიათებლების მოპოვებისთვის. EMPaSchiz იყენებს ლოგისტიკური რეგრესიის კლასიფიკატორებს.

”ჩვენი საერთო მოდელი მოიცავს რამდენიმე ცალკეული წყაროდან მიღებული პროგნოზების დაგროვებას, თითოეული მათგანი სპეციფიკური მახასიათებლების საფუძველზე, რომლებიც დაკავშირებულია fMRI– ს რეგიონალურ აქტივობასთან და ფუნქციურ კავშირთან, და აპრიორული ამანათების სპეციფიკურ სქემასთან”, - წერენ მკვლევარები.

ამ კონცეფციის მტკიცებულებით, მეცნიერებმა წარმოადგინეს მანქანური სწავლების ძალის ახალი დემონსტრირება შიზოფრენიის იდენტიფიცირებაში - გზა გაუხსნეს AI- ს კლინიცისტების, როგორც ფსიქიკური ჯანმრთელობის ინსტრუმენტის დასახმარებლად.

საავტორო უფლებები © 2021 Cami Rosso ყველა უფლება დაცულია.