تشخیص افسردگی با کمک هوش مصنوعی
عصب‌شناسان شناختی با بهره‌گیری از ابررایانهی استمپید (Stampede) در تلاش هستند تا ریسک ابتلا به افسردگی و اضطراب را به‌طور دقیق پیش‌بینی کنند. آن‌ها با استفاده از تکنیک یادگیری ماشین توانسته‌اند افراد مبتلا به اختلالات افسردگی را با دقت ۷۵ درصد تشخیص بدهند و طبقه‌بندی کنند. بهره‌برداری از استمپید ۲ در اواخر سال ۲۰۱۷ می‌تواند قدرت پردازش بیشتری در اختیار محققان قرار دهد تا در نهایت با استفاده از دادههای بیشتر، دقت مطالعات خود را افزایش دهند.
افسردگی بیش از ۱۵ میلیون آمریکایی را درگیر کرده که برابر با ۶.۷ درصد جمعیت این کشور است. افسردگی عامل اصلی ناتوانی افراد بین ۱۵ تا ۴۴ ساله در ایالات متحده محسوب می‌شود. آیا ممکن است روزی بتوانیم قبل از آغاز روند بیماری، تشخیص دهیم که کسی استعداد ابتلا به افسردگی دارد یا خیر؟
دیوید شینر، عصب‌شناس و پروفسور روان‌شناسی در دانشگاه تگزاس معتقد است که روزی به چنین توانایی دست خواهیم یافت؛ اما شناسایی نشانه‌های آن به‌هیچ‌وجه کار راحتی نیست. او برای انجام این کار از ابررایانهی استمپید واقع در مرکز محاسبات پیشرفته‌ی تگزاس (TACC) استفاده می‌کند. شینر بر مبنای دادههای به‌دست‌آمده از اسکن مغزی صدها بیمار، دادههای ژنتیکی آن‌ها و دیگر فاکتورهای مربوط سعی دارد یک الگوی یادگیری ماشین برای تشخیص اشتراکات بین داده‌ها توسعه دهد و به این ترتیب به ابزاری دقیق برای پیش‌بینی ریسک ابتلا به افسردگی و اضطراب دست یابد. شینر می‌گوید:
یکی از مشکلات مربوط به مطالعه‌ی حاضر، ماهیت توصیفی بودن آن است. شبکه‌‌ی مغزی شاید بین دو گروه متفاوت باشد؛ اما در مورد تعلق الگوهای مشخص به گروه‌های مختلف، اطلاعاتی به ما نمی‌دهد. ما به دنبال یافتن معیارهای تشخیصی هستیم که به ما در پیش‌بینی زمینه‌ی ابتلا به افسردگی یا جنون کمک می‌کند.
در سال ۲۰۱۷ دیوید شینر با همکاری پیتر کلاسن از آموزشکده‌ی پزشکی دانشگاه واشنگتن، کریستوفر گونزالس از دانشگاه کالیفرنیا و کریستوفر بیورز از دانشگاه آستین موفق به تکمیل مطالعه‌ای تحلیلی شدند که به‌وسیله‌ی آن توانستند افراد دارای اختلالات شدید افسردگی را با دقت ۷۵ درصد تشخیص دهند.
یادگیری ماشین یکی از شاخه‌های علوم رایانه است و در آن الگوریتم‌هایی توسعه داده می‌شوند که می‌توانند بر مبنای ایجاد یک مدل از روی یک سری داده، آموزش ببینند و سپس پیش‌بینی مستقلی برای یک سری داده‌ی جدید انجام دهند.
شینر و همکارانش از نوع خاصی از یادگیری ماشین با نام بردار پشتیبان استفاده کرده‌اند. محققان گروهی از دادههای آموزشی را به رایانه می‌دهند؛ داده‌هایی که یا متعلق به افراد سالم یا افراد مبتلا به افسردگی هستند. شینر و تیمش ویژگی‌هایی را که به نظرشان معنی‌دار بودند و باعث ایجاد تفاوت در الگو‌ها می‌شدند، برجسته کردند و سیستم را بر مبنای آن‌ها آموزش دادند. سپس با اسکن داده‌ها توسط ابررایانه، ارتباطات ظریف بین قسمت‌های به‌ظاهر مجزا کشف شد و بر مبنای آن یک مدل توسعه داده شد که برای بررسی دادههای جدید استفاده می‌شود.
در این مطالعه، دادههای مغزی ۵۲ فرد مبتلا به افسردگی و تحت درمان و ۴۵ شخص سالم مورد تحلیل و آنالیز قرار گرفت. برای مقایسه‌ی بهتر، شینر تصمیم گرفت جمعیت نمونه را به پنجاه عدد کاهش دهد که در آن هر شخص بیمار متناظر با یک شخص سالم بود.
شرکت‌کنندگان در این تحقیق تحت اسکن MRI از نوع پخش وزنی (DTI) قرار گرفتند. در این نوع اسکن از مولکول‌های آب تصویربرداری می‌شود و چگونگی پخش آن‌ها به‌صورت میکروسکوپی در مغز و در طول زمان مورد بررسی قرار می‌گیرد. با اندازه‌گیری پخش این مولکول‌ها در چند جهت فضایی، بردارهای مربوط به هر وکسل (پیکسل‌های سه‌بعدی که نشان‌دهنده‌ی ساختار یا فعالیت عصبی در سراسر مغز هستند) تولید می‌شود و به‌تبع آن، وضعیت قرارگیری رشته‌های غالب به‌صورت کمّی بیان می‌شود. این اندازه‌گیری‌ها سپس به‌صورت شاخص‌هایی درمی‌آیند که یکپارچگی مسیرهای ماده‌ی سفید در غشا‌ی مغزی را مشخص می‌کنند.
یکی از فاکتورهای معمول برای توصیف اسکن DTI، ناهمسانگردی کسری است؛ یعنی میزان پخش در یک راستا (ناهمسانگردی کسری بالا) یا میزان پخش نامحدود (ناهمسانگردی کسری پایین).
محققان، این ناهمسانگردی کسری بین دو گروه از شرکت‌کنندگان را مقایسه کردند و به تفاوت‌های آماری مهمی پی بردند. سپس آن‌ها تعداد وکسل‌ها را کاهش دادند و تنها وکسل‌های مهم و مشخص را که برای دسته‌بندی داده‌ها مهم هستند، برگزیدند و با استفاده از یادگیری ماشین، به طبقه‌بندی داده‌ها و توسعه‌ی روش‌های پیش‌بینی کننده دست زدند. شینر در این زمینه می‌گوید:
ما کل دادههای مغزی را وارد سیستم کردیم و سپس به پیش‌بینی طبقه‌بندی بیماری‌ها یا هر فاکتور رفتاری که نشانگر اطلاعات منفی باشد، پرداختیم.
در این مطالعه، محققان دریافتند که ناهمسانگردی کسری مربوط به DTI، یک معیار عالی برای طبقه‌بندی افراد افسرده یا با استعداد ابتلا به افسردگی در مقابل افراد سالم است. آن‌ها همچنین نشان دادند اطلاعاتی که مبنایی برای پیش‌بینی هستند، به‌جای تمرکز در یک ناحیه‌ی مشخص از مغز در سرتاسر آن پخش شده‌اند. بیورز که پرفسور روان‌شناسی و مدیر مرکز تحقیقات سلامت روانی دانشگاه تگزاس نیز هست، در این باره می‌گوید:
نه‌تنها ما می‌توانیم بر اساس دادههای DTI افراد افسرده از افراد سالم را تشخیص دهیم؛ بلکه به کمک این تحقیق می‌توانیم بفهمیم که در اثر افسردگی در مغز چه اتفاقی می‌افتد. ما فهمیدیم در اثر افسردگی به‌جای ایجاد اختلال در یک ناحیه‌ی محدود از مغز، تغییراتی در ارتباطات عصبی در سرتاسر مغز ایجاد می‌شود و همین موضوع را ملاک تشخیص افراد سالم از بیماران افسرده قرار دادیم.
ابعاد و پیچیدگی موضوع مورد مطالعه به حدی بود که استفاده از روش یادگیری ماشین را گریزناپذیر می‌کرد. هر اسکن مغزی از ۱۷۵ هزار وکسل تشکیل می‌شود و درک روابط پیچیده‌ی بین آن‌ها تنها از روی نگاه کردن به اسکن‌ها غیر ممکن است. به همین دلیل تیم شینر تصمیم گرفت با استفاده از یادگیری ماشین عمل کشف روابط بین وکسل‌ها را به‌صورت اتوماتیک در آورد. شینر معتقد است:
این روش متعلق به آینده است. ما هرروزه تحقیقات و کنفرانس‌های بیشتری می‌بینیم که با اتکا به یادگیری ماشین به بررسی مسائل پیچیده می‌پردازند.
نتیجه این مطالعه امیدوارکننده است؛ اما به حدی دقیق نیست که بتوان کاربرد بالینی برای آن متصور شد. اما شینر معتقد است که با اضافه کردن دادههای بیشتر از اسکن‌های مغزی و دادههای ژنتیکی و دیگر انواع دادههای موجود، می‌توان عملکرد سیستم و قابلیت اطمینان آن را بهبود بخشید. بیورز در این باره می‌گوید:
یکی از نکات مثبت استفاده از یادگیری ماشین به‌جای روش‌های سنتی این است که می‌توانیم مطالعات خود را روی گروه جدیدی از دادههای مستقل اعمال کنیم؛ یعنی آن را به دادههای جدیدتر تعمیم دهیم. اما این‌که نتایج حاصل از انجام این کار تا چه حد قابل اطمینان خواهد بود، سؤالی است که ما باید در مطالعات آینده به دنبال جواب آن باشیم.
بیورز و شینر در آینده در تحقیق خود از دادههای مربوط به صدها فرد بومی تگزاس که مبتلا به افسردگی، اضطراب و دیگر شرایط مشابه هستند، استفاده خواهند کرد. همچنین با بهره‌برداری از ابررایانهی استمپید ۲ در مرکز محاسبات پیشرفته‌ی تگزاس در اواخر سال ۲۰۱۷ که قدرت آن دو برابر استمپید ۱ است، میزان قدرت پردازش اطلاعات مربوط به سری دادههای جدید و در نتیجه دقت سیستم بیشتر خواهد شد. شینر در این ارتباط می‌گوید:
استفاده از این روش و همچنین افزایش اقبال به محیط علمی بدون مرز و دسترسی به پایگاه داده‌ها در قالب پروژه‌هایی همچون Human Connectome نیاز به مراکزی همچون TACC را بیش از پیش می‌کند. شما دیگر نمی‌توانید با استفاده از رایانه‌ی خانگی خود کار زیادی انجام دهید. داشتن ارتباط تنگاتنگ با مراکز رایانه‌ای پیشرفته در انجام مطالعات آینده بسیار حیاتی خواهد بود.
