Редактор: Ахметова Айгерим
Автор: Алдиярбек Нурлан
Хотя, большую депрессию обычно легко диагностировать, лучшее понимание нейронных сетей, связанных с депрессией, может улучшить стратегию лечения. Такие алгоритмы нейронных сетей, выявленные на основании машинного обучения, можно применять к данным о мозговой деятельности у людей с депрессией, чтобы найти аналогичные ассоциации. Однако большинство исследований сосредоточено только на определенных подтипах депрессии или не учитывают различия в протоколах визуализации мозга между учреждениями здравоохранения.
Чтобы решить эти проблемы, Ямасита и его коллеги использовали машинное обучение для анализа данных мозговой сети 713 человек, 149 из которых страдали глубокой депрессией. Эти данные были собраны с помощью метода, называемого функциональной МРТ в состоянии покоя (rs-fMRI), который определяет активность мозга и создает изображения, которые показывают скоординированную активность или «функциональные связи» между различными частями мозга. Визуализация проводилась в разных учреждениях по разным протоколам.
Метод машинного обучения выявил ключевые функциональные связи в данных изображениях, которые могут служить сигналом, определенной сети мозга, для серьезной депрессии. Действительно, когда исследователи применили эту новую сигнатуру к данным rs-fMRI, собранным в разных учреждениях у 521 человека, они достигли 70-процентной точности в определении того, у кого из этих новых людей было серьезное депрессивное расстройство.
Исследователи надеются, что их новая сигнатура мозговой сети, которую можно применить к различным протоколам визуализации, может послужить основой для обнаружения паттернов мозговой сети, связанных с подтипами депрессии, и выявления взаимосвязей между депрессией и другими расстройствами. Лучшее понимание сетевых связей мозга при большой депрессии может помочь подобрать пациентам эффективные методы лечения и дать информацию о разработке новых методов лечения.
Источник: https://www.sciencedaily.com/releases/2020/12/201207142315.htm
