Ученые РАН повысили точность диагностики шизофрении с помощью анализа скрытых сигналов мозга

Специалисты Института проблем машиноведения РАН совместно с Институтом мозга человека РАН и швейцарским фондом Brain and Trauma Foundation разработали метод выявления шизофрении по скрытым компонентам электрической активности мозга. Подход основан на математическом разделении мозговых волн на отдельные источники и позволил модели машинного обучения достигать чувствительности 96,7% и специфичности 97,7%, сообщили ТАСС в пресс-службе ИПМаш РАН.

Стажер-исследователь ИПМаш РАН Надежда Шанарова отметила, что задача заключалась в повышении точности диагностики за счет выделения «латентных» источников сигнала. Для этого применялся метод «слепого разделения источников», который позволяет восстановить исходные сигналы различных нейронных сетей даже при их сильном временном перекрытии.

В институте уточнили, что шизофрения затрагивает около 1% населения, а почти половина пациентов сталкивается с пожизненной инвалидизацией. Основная сложность связана с поздней и неточной диагностикой, которая опирается на клинические интервью и опросники. Уже несколько десятилетий для исследований применяются электроэнцефалография (ЭЭГ) и метод вызванных потенциалов (ВП), однако ранее точность классификации с использованием машинного обучения не превышала 90%.

По данным пресс-службы, сигнал ЭЭГ с поверхности скальпа представляет собой смесь активности множества глубинных мозговых источников, что затрудняет выделение диагностически значимых признаков. Ранее ученые ИПМаш РАН уже применяли метод опорных векторов к вызванным потенциалам и достигали чувствительности 91%.

В новой работе исследование проводилось во время выполнения участниками зрительного теста, оценивающего когнитивный контроль, способность к подавлению импульсивных действий и концентрацию внимания — функций, часто нарушенных при шизофрении. В эксперименте участвовали 68 пациентов и 132 здоровых добровольца. Вместо сырых или усредненных ЭЭГ-сигналов с 19 электродов данные каждого участника преобразовывали в 11 компонент.

Затем ученые сравнили полученные сигналы между группами и выделили временные интервалы с наиболее выраженными различиями. Из этих участков сформировали набор признаков, добавили поведенческие данные и отобрали наиболее информативные параметры с помощью последовательного анализа. Итоговая модель, использующая комбинацию латентных компонент и поведенческих характеристик, показала чувствительность 96,7% и специфичность 97,7%, корректно определяя большинство пациентов и минимизируя ложноположительные результаты.

В пресс-службе подчеркнули, что сочетание метода «слепого разделения источников» с машинным обучением значительно улучшило точность диагностики по сравнению с традиционными подходами. Выделенные скрытые компоненты отражают работу конкретных мозговых сетей, нарушения которых связаны с заболеванием, что может быть использовано для разработки методов нейрообратной связи и неинвазивной стимуляции мозга.

Читайте также: