Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

La combinaison de l'apprentissage automatique avec des outils d'imagerie cérébrale peut redéfinir la norme pour diagnostiquer des maladies mentales

La majeure partie de médicament moderne a les tests matériels ou les techniques objectives pour définir beaucoup de ce qui nous indispose.

Cependant, il n'y a actuel aucun sang ou test génétique, ou procédure équitable qui peut définitivement diagnostiquer une maladie mentale, et certainement aucun de distinguer différents troubles psychiatriques avec les sympt40mes assimilés.

Les experts à l'université de Tokyo combinent l'apprentissage automatique avec des outils d'imagerie cérébrale pour redéfinir la norme pour diagnostiquer des maladies mentales.

Les « psychiatres, y compris moi, parlent souvent des sympt40mes et des comportements avec des patients et leurs professeurs, amis et parents. »

« Nous contactons seulement des patients dans l'hôpital ou la clinique, pas à l'extérieur en leurs vies quotidiennes. Nous devons effectuer des conclusions médicales utilisant l'information subjective et d'occasion, » avons expliqué M. Shinsuke Koike, M.D., Ph.D., un professeur agrégé à l'université de Tokyo et un auteur supérieur de l'étude récent publiée en psychiatrie de translation.

« Franchement, nous avons besoin de mesures objectives, » a dit Koike.

Défi des sympt40mes superposants

D'autres chercheurs ont conçu des algorithmes d'apprentissage automatique pour distinguer ceux avec un état psychique et les nonpatients qui offrent comme « règle » pour de telles expériences.

« Il est facile de dire qui est un patient et qui est un contrôle, mais il n'est pas aussi facile de faire la différence entre différents types de patients, » a dit Koike.

L'équipe de recherche d'UTokyo dit que leur est la première étude à différencier entre les diagnostics psychiatriques multiples, y compris le trouble de spectre d'autisme et la schizophrénie.

Bien que représenté très différemment dans la culture populaire, les scientifiques ont longtemps soupçonné que l'autisme et la schizophrénie soient d'une certaine manière joints.

Les patients de trouble de spectre d'autisme ont un 10 fois plus gros risque de schizophrénie que la population globale. Le soutien social est nécessaire pour l'autisme, mais généralement la psychose de la schizophrénie exige le médicament, distinguant ainsi les deux conditions ou savoir quand ils Co-se produisent est très important, »

Shinsuke Koike, DM., PhD., auteur supérieur d'étude et professeur agrégé, université de Tokyo

L'ordinateur convertit des images de cerveau en monde des numéros

Une équipe multidisciplinaire des experts en matière médicaux et d'apprentissage automatique a formé leur algorithme d'ordinateur utilisant des échographies de cerveau d'IRM (imagerie par résonance magnétique) de 206 adultes japonais, une combinaison des patients déjà diagnostiqués avec le trouble ou la schizophrénie de spectre d'autisme, des personnes considérées à haut risque pour la schizophrénie et de ceux qui ont remarqué leur premier cas de psychose, ainsi que les gens neurotypical sans des préoccupations de santé mentale.

Tous les volontaires avec l'autisme étaient des hommes, mais il y avait rugueux un nombre égal de volontaires mâles et féminins dans les autres groupes.

L'apprentissage automatique emploie des statistiques pour trouver des configurations dans un grand nombre de caractéristiques. Ces programmes trouvent des similitudes dans des groupes et des différences entre les groupes qui se produisent trop souvent pour être facilement écartés comme coïncidence.

Cette étude a employé six algorithmes différents pour distinguer les différentes images IRM des groupes patients.

L'algorithme utilisé dans cette étude a appris à associer différents diagnostics psychiatriques aux variations de l'épaisseur, de la surface ou du volume de régions du cerveau dans les images IRM. On ne le connaît pas encore pourquoi n'importe quelle différence matérielle dans le cerveau est souvent trouvée avec un état psychique spécifique.

Élargissement de la ligne mince entre les diagnostics

Après la période de formation, l'algorithme a été vérifié avec des échographies de cerveau de 43 patients complémentaires.

Le diagnostic de la machine a apparié les évaluations des psychiatres avec la grande fiabilité et jusqu'à 85 pour cent d'exactitude.

D'une manière primordiale, l'algorithme d'apprentissage automatique a pu distinguer les nonpatients, les patients présentant le trouble de spectre d'autisme, et les patients présentant la schizophrénie ou les facteurs de risque de schizophrénie.

Forme d'aide de machines le contrat à terme de la psychiatrie

L'équipe de recherche note que la réussite de distinguer les cerveaux des nonpatients et les personnes à risque pour la schizophrénie peut indiquer que les différences matérielles dans le cerveau qui entraînent la schizophrénie sont présentes même avant que les sympt40mes surgissent et puis demeurent cohérentes au fil du temps.

L'équipe de recherche a également noté que l'épaisseur du cortex cérébral, les 1,5 à 5 centimètres principaux du cerveau, était la plupart de fonctionnalité utile pour distinguer correctement les personnes avec le trouble de spectre d'autisme, la schizophrénie et les personnes particulières.

Ceci se démêle un aspect important de l'épaisseur de rôle des jeux de cortex en distinguant différents troubles psychiatriques et peut diriger de futures études comprendre les causes de la maladie mentale.

Bien que l'équipe de recherche ait formé leur algorithme d'apprentissage automatique utilisant des échographies de cerveau d'approximativement 200 personnes, toutes les caractéristiques ont été rassemblées entre 2010 à 2013 sur une machine d'IRM, qui s'est assurée que les images étaient cohérentes.

« Si vous prenez une photo avec un iPhone ou un téléphone appareil-photo androïde, les images seront légèrement différentes. Les machines d'IRM sont également comme ceci - chaque IRM prend des images légèrement différentes, ainsi en concevant des protocoles neufs d'apprentissage automatique aimez le nôtre, nous utilisons la même machine d'IRM et l'exact la même procédure d'IRM, » a dit Koike.

Maintenant que leur algorithme d'apprentissage automatique a prouvé sa valeur, les chercheurs planification pour commencer à employer de plus grands ensembles de données et pour combiner si tout va bien des études multisites pour former le programme pour fonctionner indépendamment des différences d'IRM.

Source:
Journal reference:

Yassin, W., et al. (2020) Machine learning classification using neuroimaging data in schizophrenia, autism, ultra-high risk and first episode psychosis. Translational Psychiatry. doi.org/10.1038/s41398-020-00965-5.