Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

Combinar a aprendizagem de máquina com as ferramentas da imagem lactente de cérebro pode redefinir o padrão para diagnosticar doenças mentais

A maioria da medicina moderna tem testes físicos ou as técnicas objetivas para definir muita do que nos aflige.

Contudo, não há actualmente nenhuns sangue ou teste genético, ou procedimento imparcial que pode definitiva diagnosticar uma doença mental, e certamente nenhum distinguir entre desordens psiquiátricas diferentes com sintomas similares.

Os peritos na universidade do Tóquio estão combinando a aprendizagem de máquina com as ferramentas da imagem lactente de cérebro redefinir o padrão para diagnosticar doenças mentais.

“Psiquiatras, incluindo me, frequentemente a conversa sobre sintomas e comportamentos com pacientes e seus professores, os amigos e os pais.”

“Nós encontramos somente pacientes no hospital ou na clínica, não para fora em seus dia-a-dia. Nós temos que fazer conclusões médicas usando a informação subjetiva, de segunda mão,” explicamos o Dr. Shinsuke Koike, M.D., Ph.D., um professor adjunto na universidade do Tóquio e um autor superior do estudo publicado recentemente no psiquiatria Translational.

“Sincera, nós precisamos medidas objetivas,” disse Koike.

Desafio de sintomas de sobreposição

Outros pesquisadores projectaram algoritmos de aprendizagem da máquina distinguir entre aqueles com uma norma sanitária mental e os nonpatients que se oferecem como “controla” para tais experiências.

“É fácil dizer quem são um paciente e quem é um controle, mas não é tão fácil dizer a diferença entre tipos diferentes de pacientes,” disse Koike.

A equipa de investigação de UTokyo diz que dele é o primeiro estudo a se diferenciar entre diagnósticos psiquiátricas múltiplos, incluindo a desordem do espectro do autismo e a esquizofrenia.

Embora descrito muito diferentemente na cultura popular, os cientistas têm suspeitado por muito tempo que o autismo e a esquizofrenia estão ligados de algum modo.

Os pacientes da desordem do espectro do autismo têm um risco 10 vezes mais alto de esquizofrenia do que a população geral. O apoio social é necessário para o autismo, mas geralmente a psicose da esquizofrenia exige a medicamentação, distinguindo assim entre as duas circunstâncias ou saber quando co-ocorrem é muito importante,”

Shinsuke Koike, DM., PhD., estuda o autor superior e o professor adjunto, universidade do Tóquio

O computador converte imagens do cérebro em um mundo dos números

Uma equipe multidisciplinar de peritos médica e de máquina da aprendizagem treinou seu algoritmo do computador usando as varreduras de cérebro de 206 adultos japoneses, uma combinação de MRI (ressonância magnética) de pacientes já diagnosticados com a desordem ou a esquizofrenia do espectro do autismo, de indivíduos considerados risco elevado para a esquizofrenia e daqueles que experimentaram seu primeiro exemplo da psicose, assim como o pessoa neurotypical sem a saúde mental refere-se.

Todos os voluntários com autismo eram homens, mas havia um número aproximadamente igual de voluntários do homem e da fêmea nos outros grupos.

A aprendizagem de máquina usa estatísticas para encontrar testes padrões nas grandes quantidades de dados. Estes programas encontram similaridades dentro dos grupos e diferenças entre os grupos que ocorrem demasiado frequentemente para ser demitidos facilmente como a coincidência.

Este estudo usou seis algoritmos diferentes para distinguir entre as imagens diferentes de MRI dos grupos pacientes.

O algoritmo usado neste estudo aprendeu associar diagnósticos psiquiátricas diferentes com as variações na espessura, na área de superfície ou no volume de áreas do cérebro em imagens de MRI. Não se sabe ainda porque toda a diferença física no cérebro é encontrada frequentemente com uma norma sanitária mental específica.

Alargando a linha fina entre diagnósticos

Após o período de treinamento, o algoritmo foi testado com varreduras de cérebro de 43 pacientes adicionais.

O diagnóstico da máquina combinou as avaliações dos psiquiatras com a confiança alta e os até 85 por cento de precisão.

Importante, o algoritmo de aprendizagem da máquina podia distinguir entre nonpatients, pacientes com desordem do espectro do autismo, e pacientes com esquizofrenia ou factores de risco da esquizofrenia.

Forma da ajuda das máquinas o futuro do psiquiatria

A equipa de investigação nota que o sucesso da distinção entre os cérebros dos nonpatients e indivíduos em risco da esquizofrenia pode revelar que as diferenças físicas no cérebro que causam a esquizofrenia estam presente mesmo antes que os sintomas elevarem e então permaneçam consistentes ao longo do tempo.

A equipa de investigação igualmente notou que a espessura do córtice cerebral, os 1,5 a 5 centímetros superiores do cérebro, era a característica a mais útil para correctamente distinguir entre indivíduos com desordem do espectro do autismo, esquizofrenia e indivíduos típicos.

Isto desembaraça um aspecto importante da espessura do papel dos jogos do córtice na distinção entre desordens psiquiátricas diferentes e pode dirigir os estudos futuros compreender as causas da doença mental.

Embora a equipa de investigação treinasse seu algoritmo de aprendizagem da máquina usando varreduras de cérebro de aproximadamente 200 indivíduos, todos os dados foram recolhidos entre 2010 a 2013 em uma máquina de MRI, que se assegurou de que as imagens fossem consistentes.

“Se você toma uma foto com um telefone do iPhone ou da câmera do andróide, as imagens serão ligeira diferentes. As máquinas de MRI são igualmente como esta - cada MRI toma imagens ligeira diferentes, assim que ao projetar protocolos novos da aprendizagem de máquina goste de nossos, nós usamos a mesma máquina de MRI e o exacto o mesmo procedimento de MRI,” disse Koike.

Agora que seu algoritmo de aprendizagem da máquina provou seu valor, os pesquisadores planeiam começar a usar conjunto de dados maiores e coordenar esperançosamente estudos multisite para treinar o programa para trabalhar apesar das diferenças de MRI.

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.