La depresión afecta a más de 15 millones de adultos estadounidenses, o alrededor del 6,7 por ciento de la población de los Estados Unidos, cada año. Es la principal causa de discapacidad para las personas entre las edades de 15 y 44 años.
¿Es posible detectar quién podría ser vulnerable a la enfermedad antes de su aparición utilizando imágenes cerebrales?
David Schnyer, neurocientífico cognitivo y profesor de psicología en la Universidad de Texas en Austin, cree que puede ser. Pero identificar sus signos reveladores no es una cuestión más simple. Está utilizando la supercomputadora Stampede en el Centro de Computación Avanzada de Texas TACC para entrenar un algoritmo de aprendizaje automático que pueda identificar elementos en común entre cientos de pacientes que usan escáneres cerebrales de imágenes de resonancia magnética MRI, datos genómicos y otros factores relevantes, para proporcionar predicciones precisas de riesgo para las personas con depresión y ansiedad.
Los investigadores han estudiado durante mucho tiempo los trastornos mentales al examinar la relación entre la función y la estructura del cerebro en los datos de neuroimagen.
"Una dificultad con ese trabajo es que es principalmente descriptivo. Las redes cerebrales pueden parecer diferentes entre dos grupos, pero no nos dice sobre qué patrones predicen realmente en qué grupo caerá", dice Schnyer. "Nosotrosbusca medidas de diagnóstico que sean predictivas de resultados como la vulnerabilidad a la depresión o la demencia ".
En 2017, Schnyer, en colaboración con Peter Clasen Facultad de medicina de la Universidad de Washington, Christopher Gonzalez Universidad de California, San Diego y Christopher Beevers UT Austin, completaron su análisis de un estudio de prueba de concepto queutilizó un enfoque de aprendizaje automático para clasificar a las personas con trastorno depresivo mayor con aproximadamente un 75 por ciento de precisión.
El aprendizaje automático es un subcampo de la informática que implica la construcción de algoritmos que pueden "aprender" al construir un modelo a partir de entradas de datos de muestra, y luego hacer predicciones independientes sobre nuevos datos.
El tipo de aprendizaje automático que probaron Schnyer y su equipo se llama Aprendizaje automático de vectores de apoyo. Los investigadores proporcionaron un conjunto de ejemplos de capacitación, cada uno marcado como perteneciente a individuos sanos o a aquellos a quienes se les ha diagnosticado depresión. Schnyer y su equipoetiquetaron características en sus datos que eran significativas, y estos ejemplos se usaron para entrenar el sistema. Una computadora luego escaneó los datos, encontró conexiones sutiles entre partes dispares y construyó un modelo que asigna nuevos ejemplos a una categoría u otra.
En el estudio, Schnyer analizó los datos del cerebro de 52 participantes que buscaban tratamiento con depresión y 45 participantes de control de salud. Para comparar los grupos, combinaron un subconjunto de participantes deprimidos con individuos sanos en función de la edad y el sexo, obteniendo el tamaño de la muestraa 50.
Los participantes recibieron imágenes de resonancia magnética con imágenes de tensor de difusión DTI, que marcan las moléculas de agua para determinar el grado en que esas moléculas se difunden microscópicamente en el cerebro con el tiempo. Al medir esta difusión en múltiples direcciones espaciales, se generan vectores para cada vóxel cubos tridimensionales que representan la estructura o la actividad neuronal en todo el cerebro para cuantificar la orientación dominante de la fibra. Estas mediciones se traducen en métricas que indican la integridad de las vías de la materia blanca dentro de la corteza cerebral.
Un parámetro común utilizado para caracterizar DTI es la anisotropía fraccional: el grado en que la difusión es altamente direccional anisotropía fraccional alta o no restringida anisotropía fraccional baja.
Compararon estas mediciones de anisotropía fraccional entre los dos grupos y encontraron diferencias estadísticamente significativas. Luego redujeron el número de vóxeles involucrados a un subconjunto que era más relevante para la clasificación y llevaron a cabo la clasificación y predicción utilizando el enfoque de aprendizaje automático.
"Alimentamos datos de todo el cerebro o un subconjunto y predecimos clasificaciones de enfermedades o cualquier medida potencial de comportamiento, como medidas de sesgo de información negativa", dice.
El estudio reveló que los mapas de anisotropía fraccional derivados de DTI pueden clasificar con precisión a las personas deprimidas o vulnerables frente a los controles sanos. También mostró que la información predictiva se distribuye a través de las redes cerebrales en lugar de estar altamente localizada.
"No solo estamos aprendiendo que podemos clasificar a las personas deprimidas versus no deprimidas utilizando datos de DTI, también estamos aprendiendo algo sobre cómo se representa la depresión dentro del cerebro", dijo Beevers, profesor de psicología y director del Instituto paraInvestigación de salud mental en UT Austin. "En lugar de tratar de encontrar el área que está alterada en la depresión, estamos aprendiendo que las alteraciones en varias redes contribuyen a la clasificación de la depresión".
La escala y la complejidad del problema requieren un enfoque de aprendizaje automático. Cada cerebro está representado por aproximadamente 175,000 vóxeles y la detección de una relación compleja entre un número tan grande de componentes al observar los escaneos es prácticamente imposible. Por esa razón, el equipo utilizaaprendizaje automático para automatizar el proceso de descubrimiento.
"Esta es la ola del futuro", dice Schnyer. "Estamos viendo un número creciente de artículos y presentaciones en la conferencia sobre la aplicación del aprendizaje automático para resolver problemas difíciles en neurociencia".
Los resultados son prometedores, pero aún no lo suficientemente claros como para ser utilizados como una métrica clínica. Sin embargo, Schnyer cree que al agregar más datos, no solo relacionados con las imágenes de resonancia magnética, sino también de la genómica y otros clasificadores, el sistemapuede hacerlo mucho mejor
"Uno de los beneficios del aprendizaje automático, en comparación con los enfoques más tradicionales, es que el aprendizaje automático debería aumentar la probabilidad de que lo que observamos en nuestro estudio se aplique a conjuntos de datos nuevos e independientes. Es decir, debería generalizarse a datos nuevos,"Dijo Beevers." Esta es una pregunta crítica que estamos realmente emocionados de probar en futuros estudios ".
Beevers y Schnyer ampliarán su estudio para incluir datos de varios cientos de voluntarios de la comunidad de Austin que han sido diagnosticados con depresión, ansiedad o una afección relacionada. Estampida 2: la nueva supercomputadora de TACC que estará en línea más adelante en 2017 y serádos veces más potente que el sistema actual: proporcionará la mayor potencia de procesamiento de la computadora necesaria para incorporar más datos y lograr una mayor precisión.
"Este enfoque, y también el movimiento hacia la ciencia abierta y grandes bases de datos como el proyecto de conectoma humano, significa que las instalaciones como TACC son absolutamente esenciales", dice Schnyer. "Simplemente no puede hacer este trabajo en equipos de escritorio. Va aser cada vez más importante tener una relación establecida con un centro informático avanzado "
Fuente de la historia :
Materiales proporcionado por Universidad de Texas en Austin, Centro de Computación Avanzada de Texas . Original escrito por Aaron Dubrow. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :