Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

Combinar el aprendizaje de máquina con las herramientas de las imágenes cerebrales puede redefinir el patrón para diagnosticar enfermedades mentales

La mayor parte del remedio moderno tiene pruebas físicas o técnicas objetivos para definir mucho de qué nos aflige.

Con todo, no hay actualmente sangre o prueba genética, o procedimiento imparcial que puede diagnosticar definitivo una enfermedad mental, y ciertamente ninguno de distinguir entre diversos desordenes psiquiátricos con síntomas similares.

Los expertos en la universidad de Tokio están combinando el aprendizaje de máquina con las herramientas de las imágenes cerebrales redefinir el patrón para diagnosticar enfermedades mentales.

Los “psiquiatras, incluyendo mí, hablan a menudo de síntomas y los comportamientos con los pacientes y sus profesores, amigos y padres.”

“Encontramos solamente a pacientes en el hospital o la clínica, no fuera en sus vidas de cada día. Tenemos que hacer conclusiones médicas usando la información subjetiva, de segunda mano,” explicamos al Dr. Shinsuke Koike, M.D., Ph.D., profesor adjunto en la universidad de Tokio y autor mayor del estudio publicado recientemente en psiquiatría de translación.

“Franco, necesitamos dimensiones objetivos,” dijo a Koike.

Reto de síntomas que recubren

Otros investigadores han diseñado algoritmos de aprendizaje de máquina para distinguir entre ésos con una condición de salud mental y los nonpatients que se ofrecen voluntariamente como “controla” para tales experimentos.

“Es fácil informar quién es un paciente y quién es un mando, pero no es tan fácil informar la diferencia entre diversos tipos de pacientes,” dijo a Koike.

El equipo de investigación de UTokyo dice que el suyo es el primer estudio a distinguir entre las diagnosis psiquiátricas múltiples, incluyendo desorden del espectro del autismo y esquizofrenia.

Aunque estén representados muy diferentemente en cultura popular, los científicos hayan sospechado de largo que el autismo y la esquizofrenia están conectados de alguna manera.

Los pacientes del desorden del espectro del autismo tienen un riesgo 10 veces más alto de la esquizofrenia que la población en general. El apoyo social es necesario para el autismo, pero la psicosis de la esquizofrenia requiere generalmente la medicación, distinguiendo tan entre las dos condiciones o saber cuándo co-ocurren es muy importante,”

Shinsuke Koike, Doctor en Medicina., doctorado., estudia el autor mayor y al profesor adjunto, universidad de Tokio

La computador convierte imágenes del cerebro en un mundo de números

Las personas multidisciplinarias de los expertos del aprendizaje médico y de máquina entrenaron a su algoritmo usando exploraciones de cerebro de MRI (proyección de imagen de resonancia magnética) de 206 adultos japoneses, una combinación de la computador de los pacientes ya diagnosticados con desorden o esquizofrenia del espectro del autismo, de los individuos considerados de alto riesgo para la esquizofrenia y de los que experimentaron su primer caso de la psicosis, así como la gente neurotypical sin salud mental trata.

Todos los voluntarios con autismo eran hombres, pero había un número áspero igual de voluntarios del varón y de la hembra en los otros grupos.

El aprendizaje de máquina utiliza estadísticas para encontrar configuraciones en una gran cantidad de datos. Estos programas encuentran semejanzas dentro de grupos y diferencias entre los grupos que ocurren demasiado a menudo para ser despedidos fácilmente como coincidencia.

Este estudio utilizó seis diversos algoritmos para distinguir entre las diversas imágenes de MRI de los grupos pacientes.

El algoritmo usado en este estudio aprendió asociar diversas diagnosis psiquiátricas a variaciones en el espesor, la superficie o el volumen de áreas del cerebro en imágenes de MRI. Todavía no se sabe porqué cualquier diferencia física en el cerebro se encuentra a menudo con una condición específica de salud mental.

Ensanchamiento de la línea fina entre las diagnosis

Después del período de entrenamiento, el algoritmo fue probado con exploraciones de cerebro a partir de 43 pacientes adicionales.

La diagnosis de la máquina igualó las evaluaciones de los psiquiatras con alta confiabilidad y el hasta 85 por ciento de exactitud.

Importantemente, el algoritmo de aprendizaje de máquina podía distinguir entre los nonpatients, los pacientes con desorden del espectro del autismo, y los pacientes con factores de la esquizofrenia o de riesgo de la esquizofrenia.

Forma de la ayuda de las máquinas el futuro de la psiquiatría

El equipo de investigación observa que el éxito de la distinción entre los cerebros de nonpatients y los individuos en riesgo de esquizofrenia puede revelar que las diferencias físicas en el cerebro que causan esquizofrenia están presentes incluso antes de que los síntomas se presentan y entonces siguen siendo constantes en un cierto plazo.

El equipo de investigación también observó que el espesor de la corteza cerebral, los 1,5 a 5 centímetros superiores del cerebro, era la característica más útil para correctamente distinguir entre los individuos con desorden del espectro del autismo, la esquizofrenia y los individuos típicos.

Esto desenreda un aspecto importante del espesor del papel de los juegos de la corteza en la distinción entre diversos desordenes psiquiátricos y puede ordenar los estudios futuros entender las causas de la enfermedad mental.

Aunque el equipo de investigación entrenara a su algoritmo de aprendizaje de máquina usando exploraciones de cerebro de aproximadamente 200 individuos, todos los datos cerco entre 2010 a 2013 en una máquina de MRI, que se aseguró que las imágenes fueran constantes.

“Si usted toma una foto con un iPhone o un teléfono androide de la cámara, las imágenes serán ligeramente diferentes. Las máquinas de MRI son también como esto - cada MRI toma imágenes ligeramente diversas, así que al diseñar nuevos protocolos del aprendizaje de máquina tenga gusto los nuestros, utilizamos la misma máquina de MRI y el exacto el mismo procedimiento de MRI,” dijo a Koike.

Ahora que su algoritmo de aprendizaje de máquina ha probado su valor, los investigadores proyectan comenzar a usar grupos de datos más grandes y esperanzadamente coordinar estudios multisite para entrenar al programa para trabajar sin importar las diferencias 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.