脳イメージング、機械学習は精神疾患リスクの予測に役立つ

研究者たちは、脳イメージングデータとスーパーコンピューターを組み合わせて、うつ病や認知症などの精神障害のリスクを予測するのに役立つ神経イメージングデータのパターンを特定しています。

うつ病は毎年1500万人を超えるアメリカ人成人、または米国の人口の約6.7％に影響を与えます。これは、15歳から44歳の間の障害の主な原因です。

テキサス大学オースティン校の認知神経科学者で心理学の教授であるデービッドシュニエ博士は、精神疾患のリスクを予測することは簡単なことではないと語った。

彼はスーパーコンピューターを使用して、磁気共鳴画像法（MRI）の脳スキャン、ゲノミクスデータ、その他の関連要因を使用して数百人の患者の共通点を識別し、うつ病や不安症のある人のリスクを正確に予測できる機械学習アルゴリズムをトレーニングしています。

研究者たちは、神経機能イメージングデータの脳機能と構造の関係を調べることによって、精神障害を長い間研究してきました。

「この作品の1つの問題は、それが主に説明的なものであることです。脳のネットワークは2つのグループ間で異なっているように見えるかもしれませんが、どのパターンが実際にどのグループに分類されるかを実際に予測するパターンについてはわかりません」とSchnyerは言いました。

「私たちは、うつ病や認知症に対する脆弱性などの結果を予測する診断手段を探しています。」

2017年、さまざまな大学の研究者と協力しているシュニエは、機械学習アプローチを使用して大うつ病性障害のある個人を約75％の精度で分類する概念実証研究の分析を完了しました。

共同研究者にはDrs。 Peter Clasen（ワシントン大学医学部）、Christopher Gonzalez（カリフォルニア大学サンディエゴ）、およびChristopher Beevers（テキサス大学オースティン）。

機械学習は、サンプルデータ入力からモデルを構築して「学習」し、新しいデータに対して独立した予測を行うアルゴリズムの構築を含む、コンピューターサイエンスのサブフィールドです。

研究者たちは、健康な個人またはうつ病と診断された人のいずれかに属するものとしてマークされた一連のトレーニング例を提供しました。 Schnyerと彼のチームは、データ内の意味のある特徴にラベルを付け、これらの例はシステムのトレーニングに使用されました。

次に、コンピューターがデータをスキャンし、異種パーツ間の微妙な関係を発見し、新しい例をいずれかのカテゴリーに割り当てるモデルを構築しました。

この研究では、Schnyerがうつ病の52人の治療を求める参加者と45人のヒースコントロール参加者の脳データを分析しました。グループを比較するために、彼らはうつ病の参加者のサブセットを年齢と性別に基づいて健康な個人と照合し、サンプルサイズを50にしました。

参加者は、拡散テンソルイメージング（DTI）MRIスキャンを受信しました。これは、水分子にタグを付けて、それらの分子が経時的に脳内に微視的に拡散する程度を決定します。

調査員は、2つのグループ間で得られた測定値を比較し、統計的に有意な差を見つけました。次に、関連するデータを分類に最も関連のあるサブセットに削減し、機械学習アプローチを使用して分類と予測を実行しました。

「私たちは脳全体のデータまたはサブセットをフィードし、病気の分類や、否定的な情報バイアスの測定などの潜在的な行動測定を予測します」と彼は言います。

研究は、脳のデータが健康な対照と比較してうつ病または脆弱な個人を正確に分類できることを明らかにしました。また、予測情報は高度に局所化されているのではなく、脳ネットワーク全体に分散していることも示しています。

「うつ病と非うつ病の人々をDTIデータを使用して分類できることを学んだだけでなく、うつ病が脳内でどのように表されるかについても学んでいます」と心理学教授で精神保健研究所の所長であるBeeversは述べましたテキサス大学オースティン校で研究。

「うつ病で混乱している領域を見つけるのではなく、多くのネットワークにわたる変化がうつ病の分類に寄与していることを学んでいます。」

問題の規模と複雑さは、機械学習アプローチを必要とします。各脳は約175,000ボクセルで表され、スキャンを見ることによってそのような多数のコンポーネント間の複雑な関係を検出することは実際には不可能です。

そのため、チームは機械学習を使用して発見プロセスを自動化します。

「これが未来の波です」とシュニエは言います。「神経科学の困難な問題を解決するための機械学習の応用に関する会議で、記事やプレゼンテーションが増えています。」

結果は有望ですが、臨床測定基準として使用するのに十分なほど明確ではありません。ただし、シュナイアー氏は、MRIスキャンだけでなく、ゲノミクスやその他の分類子からのデータも追加することで、システムのパフォーマンスが大幅に向上すると考えています。

「機械学習の利点の1つは、従来のアプローチと比較して、私たちの研究で観察したことが新しい独立したデータセットに適用される可能性を機械学習が高める必要があることです。つまり、新しいデータに一般化する必要があります」とBeeversは言いました。

「これは私たちが将来の研究でテストすることを本当に楽しみにしている重要な質問です。」

出典：テキサス大学オースティン校、テキサスアドバンストコンピューティングセンター