Las imágenes cerebrales y el aprendizaje automático pueden ayudar a predecir el riesgo de enfermedad mental

Los investigadores están combinando datos de imágenes cerebrales y supercomputadoras para identificar patrones en los datos de neuroimágenes que pueden ayudar a predecir el riesgo de trastornos mentales como la depresión o la demencia.

La depresión afecta a más de 15 millones de adultos estadounidenses, o alrededor del 6.7 por ciento de la población de los Estados Unidos, cada año. Es la principal causa de discapacidad para las personas de entre 15 y 44 años.

El Dr. David Schnyer, neurocientífico cognitivo y profesor de psicología en la Universidad de Texas en Austin, dijo que la capacidad de predecir el riesgo de enfermedad mental no es un asunto sencillo.

Está usando una supercomputadora para entrenar un algoritmo de aprendizaje automático que puede identificar puntos en común entre cientos de pacientes mediante escáneres cerebrales por imágenes de resonancia magnética (IRM), datos genómicos y otros factores relevantes, para proporcionar predicciones precisas de riesgo para las personas con depresión y ansiedad. .

Los investigadores han estudiado durante mucho tiempo los trastornos mentales al examinar la relación entre la función y la estructura del cerebro en los datos de neuroimagen.

“Una dificultad con ese trabajo es que es principalmente descriptivo. Las redes cerebrales pueden parecer diferir entre dos grupos, pero no nos dice qué patrones realmente predicen en qué grupo caerás ", dijo Schnyer.

"Estamos buscando medidas de diagnóstico que sean predictivas de resultados como la vulnerabilidad a la depresión o la demencia".

En 2017, Schnyer, trabajando con investigadores de una variedad de universidades, completó un análisis de un estudio de prueba de concepto que utilizó un enfoque de aprendizaje automático para clasificar a las personas con trastorno depresivo mayor con una precisión de aproximadamente el 75 por ciento.

Los co-investigadores incluyeron a los Dres. Peter Clasen (Facultad de Medicina de la Universidad de Washington), Christopher González (Universidad de California, San Diego) y Christopher Beevers (Universidad de Texas, Austin).

El aprendizaje automático es un subcampo de la informática que implica la construcción de algoritmos que pueden "aprender" mediante la construcción de un modelo a partir de entradas de datos de muestra y luego hacer predicciones independientes sobre nuevos datos.

Los investigadores proporcionaron un conjunto de ejemplos de entrenamiento, cada uno marcado como perteneciente a individuos sanos o a aquellos a quienes se les ha diagnosticado depresión. Schnyer y su equipo etiquetaron características en sus datos que eran significativas, y estos ejemplos se utilizaron para entrenar el sistema.

Luego, una computadora escaneó los datos, encontró conexiones sutiles entre partes dispares y construyó un modelo que asigna nuevos ejemplos a una categoría u otra.

En el estudio, Schnyer analizó datos cerebrales de 52 participantes con depresión que buscaban tratamiento y de 45 participantes de control saludable. Para comparar los grupos, emparejaron un subconjunto de participantes deprimidos con individuos sanos según la edad y el sexo, lo que elevó el tamaño de la muestra a 50.

Los participantes recibieron imágenes por resonancia magnética con tensor de difusión (DTI), que marcan las moléculas de agua para determinar hasta qué punto esas moléculas se difunden microscópicamente en el cerebro a lo largo del tiempo.

Los investigadores compararon las mediciones resultantes entre los dos grupos y encontraron diferencias estadísticamente significativas. Luego redujeron los datos involucrados a un subconjunto que era más relevante para la clasificación y llevaron a cabo la clasificación y la predicción utilizando el enfoque de aprendizaje automático.

“Introducimos datos cerebrales completos o un subconjunto y predecimos clasificaciones de enfermedades o cualquier medida de comportamiento potencial, como medidas de sesgo de información negativa”, dice.

El estudio reveló que los datos del cerebro pueden clasificar con precisión a las personas deprimidas o vulnerables frente a los controles sanos. También mostró que la información predictiva se distribuye a través de redes cerebrales en lugar de estar altamente localizada.

"No solo estamos aprendiendo que podemos clasificar a las personas deprimidas y no deprimidas mediante el uso de datos de DTI, sino que también estamos aprendiendo algo sobre cómo se representa la depresión en el cerebro", dijo Beevers, profesor de psicología y director del Instituto de Salud Mental. Investigación en la Universidad de Texas, Austin.

“En lugar de tratar de encontrar el área que se ve afectada por la depresión, estamos aprendiendo que las alteraciones en una serie de redes contribuyen a la clasificación de la depresión”.

La escala y la complejidad del problema requieren un enfoque de aprendizaje automático. Cada cerebro está representado por aproximadamente 175.000 vóxeles y es prácticamente imposible detectar una relación compleja entre un número tan grande de componentes al observar los escáneres.

Por esa razón, el equipo utiliza el aprendizaje automático para automatizar el proceso de descubrimiento.

"Esta es la ola del futuro", dice Schnyer."Estamos viendo un número creciente de artículos y presentaciones en conferencias sobre la aplicación del aprendizaje automático para resolver problemas difíciles en neurociencia".

Los resultados son prometedores, pero aún no lo suficientemente claros como para ser utilizados como métrica clínica. Sin embargo, Schnyer cree que si se agregan más datos, relacionados no solo con las imágenes por resonancia magnética, sino también con la genómica y otros clasificadores, el sistema puede funcionar mucho mejor.

“Uno de los beneficios del aprendizaje automático, en comparación con los enfoques más tradicionales, es que el aprendizaje automático debería aumentar la probabilidad de que lo que observamos en nuestro estudio se aplique a conjuntos de datos nuevos e independientes. Es decir, debería generalizarse a nuevos datos ”, dijo Beevers.

"Esta es una pregunta crítica que estamos muy emocionados de probar en estudios futuros".

Fuente: Universidad de Texas en Austin, Centro de Computación Avanzada de Texas