В России разработали нейросеть для диагностики депрессии
AI Сгенерировано ИИ
Российские исследователи создали графическую модель, которая позволяет проводить совместный анализ нейрофизиологических и генетических данных для классификации депрессии. Новый метод, использующий систему графов, работает следующим образом: на вход подается обучающая выборка, где указаны здоровые люди и люди с депрессией, а также их генотипы и данные ЭЭГ. Нейросеть обучается различать эти группы. Затем создается тестовая выборка только с генотипами и ЭЭГ, и нейросеть должна самостоятельно определить, кто болен, а кто здоров. Ученые собрали обширную коллекцию данных, охватывающую почти всю Сибирь, от Алтайского края до Бурятии, обследовав более трех тысяч человек. У некоторых испытуемых были взяты пробы крови и буккального эпителия, проводились психологические опросы для установления психологических особенностей, включая выраженность симптомов депрессии. Для ДНК, выделенной из крови и буккального эпителия, было выполнено секвенирование по 164 локусам, что позволило определить генетические отклонения от референсного генома. Об этом пишет портал ТАСС.
Точность нового подхода, основанного на графах, значительно превзошла те архитектуры нейронных сетей, которые использовались ранее. Если раньше точность распознавания депрессии составляла около 86%, то теперь она превышает 96%. Нейросеть также показала меньше ложноотрицательных результатов, что особенно важно для скрининга психологических заболеваний, где ошибки могут иметь серьезные последствия. Генетическая предрасположенность к депрессии может быть выявлена при рождении, но использование только генотипа дает низкую точность предсказаний. На развитие депрессии влияют жизненные обстоятельства. ЭЭГ хорошо отражает текущее состояние испытуемого, но этот показатель быстро меняется и не всегда отражает долговременные особенности. В одном из случаев анализ ЭЭГ выявил аномальное состояние мозга, вызванное тем, что испытуемый пришел на запись сразу после удаления зуба. Совместный анализ генетических, нейрофизиологических и поведенческих данных значительно повышает надежность диагностики.
