Вправду ли вероятно найти, кто имел возможность бы быть уязвим для заболевания перед ее началом, применяя мозговое отображение?Дэвид Шнайер, познавательный нейробиолог и учитель психологии в Техасском университете в Остине, считает, что это возможно.
Но идентификация его контрольных знаков не есть никаким более несложным вопросом. Он применяет суперкомпьютер Панического бегства в Texas Advanced Computing Center (TACC), дабы научить метод машинного обучения, что может выяснить общности среди сотен больных, применяющих сканирования головного мозга Магнитно-резонансной томографии (MRI), информацию о геномике и другие соответствующие факторы, дабы обеспечить правильные предсказания риска для тех с беспокойством и депрессией.Исследователи продолжительно изучали расстройства психики, исследуя отношения между структурой и функцией мозга в информации о нейроотображении.«Одна проблема с той работой пребывает в том, что это, в первую очередь, описательное.
Мозговые сети, может казаться, отличаются между двумя группами, но это не говорит нам о том, что в действительности предвещают образцы, в какую группу Вы упадете», говорит Шнайер. «Мы ищем диагностические меры, каковые являются прогнозирующими для результатов как уязвимость для депрессии либо деменции».В 2017, Schnyer, трудящийся с Питером Клэсеном (Медицинская школа Вашингтонского университета), Кристофер Гонсалес (Калифорнийский университет, Сан-Диего) и Кристофер Биверс (UT Austin), закончил их анализ изучения доказательства понятия, которое применяло подход машинного обучения, дабы классифицировать людей с важным депрессивным расстройством приблизительно с 75-процентной точностью.
Машинное обучение – подполе информатики, которая включает составление методов, каковые смогут «обучаться», строя модель из типовых вводов данных, и после этого сделать свободные предсказания на новых данных.Тип машинного обучения, что Schnyer и его проверенную команду именуют Векторным Машинным обучением Помощи. Исследователи обеспечили последовательность учебных примеров, любой отмеченный как принадлежащий либо здоровым людям либо тем, кто был диагностирован депрессию. Schnyer и его команда маркировали изюминке в их данных, каковые были значащими, и эти примеры употреблялись, дабы научить совокупность.
Компьютер тогда просмотрел эти, отыскал узкие связи между разрозненными частями и выстроил модель, которая назначает новые примеры на одну категорию либо второй.В изучении Шнайер проанализировал мозговые эти от 52 ищущих лечение участников с депрессией, и 45 heathy руководят участниками. Дабы сравнить группы, они соответствовали подмножеству подавленных участников со здоровыми людьми на базе возраста и пола, принося количество выборки к 50.
Участники взяли обследования способом МРТ отображения тензора распространения (DTI), каковые помечают молекулы воды, дабы выяснить степень, до которой те молекулы шепетильно распространяются в мозгу со временем. Измеряя это распространение в многократных пространственных направлениях, векторы произведены для каждого voxel (трехмерные кубы, каковые воображают либо структуру либо нервную деятельность везде по мозгу) выяснить количество главной ориентации волокна. Эти измерения тогда переведены на метрики, каковые говорят о целостности дорог белого вещества в коре головного мозга.Один неспециализированный параметр, применяемый, дабы характеризовать DTI, есть фракционной анизотропией: степень, до которой распространение весьма направлено (высокая фракционная анизотропия) либо неограниченно (низкая фракционная анизотропия).
Они сравнили эти фракционные измерения анизотропии между этими двумя группами и нашли статистически значимые различия. Они тогда сократили количество voxels, включенного к подмножеству, которое было самым ответственным для классификации и выполнило предсказание и классификацию, применяя подход машинного обучения.«Мы питаемся в целых мозговых данных либо подмножестве и предвещаем классификации заболеваний либо любую потенциальную поведенческую меру, такие как меры отрицательного информационного уклона», говорит он.
Изучение продемонстрировало, что DTI-взятые фракционные карты анизотропии смогут совершенно верно классифицировать подавленных либо уязвимых людей против здоровых средств управления. Это кроме этого продемонстрировало, что прогнозирующая информация распределена через мозговые сети вместо того, дабы быть высоко локализованным.«Не только, выясняли, что мы можем классифицировать подавленный против неподавленных людей, применяющих эти DTI, мы кроме этого определим что-то о том, как депрессия представлена в мозгу», сообщил Биверс, директор Института и преподаватель психологии Изучения Психологического здоровья в UT Austin. «Вместо того, дабы пробовать отыскать область, которая уничтожена в депрессии, мы определим, что трансформации через многие сети содействуют классификации депрессии».
сложность и Масштаб неприятности требуют подхода машинного обучения. Любой мозг представлен приблизительно 175 000 voxels, и обнаружение сложных взаимоотношений среди для того чтобы громадного количества компонентов, смотря на просмотры фактически нереально. По данной причине команда применяет машинное обучение, дабы автоматизировать процесс открытия.«Это – волна будущего», говорит Шнайер. «Мы видим растущие числа представлений и статей на конференции по применению машинного обучения решить тяжёлые неприятности в нейробиологии».
Результаты обещают, но еще достаточно ясный, дабы употребляться в качестве клинической метрики. Но Шнайер считает, что, додавая больше данных – связанный не только с обследованиями способом МРТ, вместе с тем и от геномики и других классификаторов – совокупность может сделать намного лучше.
«Одна из пользы машинного обучения, если сравнивать с более классическими подходами, то, что машинное обучение должно расширить возможность, которая, что мы замечаем в отечественном изучении, будет относиться к независимым наборам и новым данных. Так, это должно сделать вывод к новым данным», сообщил Биверс. «Это – критический вопрос, что мы вправду радостны проверить в будущих изучениях».
Beevers и Schnyer расширят их изучение, дабы включать эти от нескольких сотен добровольцев от сообщества Остина, каковые были диагностированы депрессию, беспокойство либо связанное условие. Паническое бегство 2 – новейший суперкомпьютер TACC, что прибудет онлайн позднее в 2017 и будет в два раза более замечательным, чем существующая совокупность – обеспечит увеличенную компьютерную вычислительную мощность, требуемую включить больше разрешённых и достигнуть большей точности.
«Данный подход, и кроме этого перемещение к большим базам и открытой науке данных как человеческий connectome проект, означают, что средства как TACC полностью нужны», говорит Шнайер. «Вы просто не имеете возможность сделать данной работы над рабочими столами. Это планирует стать более серьёзным, дабы иметь установленные отношения с продвинутым вычислительным центром».