ИИ обучили правильно связывать состояние нейронов и симптомы при нервных расстройствах

Ученые Йельского университета определили необходимый объем обучающей выборки для ИИ-моделей, которые дают надежные результаты обучения для определения связи между состоянием нейронов и симптомами нервных расстройств, в первую очередь шизофрении. Выборки должна включать не менее 10 тысяч пациентов. Это должно помочь в первую очередь для тестирования лекарственных средств. ИИ может предсказать симптомы пациента по реакциям нейронной сети мозга Мозг, пораженный шизофренией. BSIP SA/Alamy Stock Photo Хорошо обученный ИИ дает правильное описание не только своей обучающей выборки, но и тех случаев, на которых он не обучался. Но для этого нужен определенный объем обучающей выборки. Найти его бывает крайне непросто. Кажется, для нервных расстройств это впервые удалось.

За последние 10-15 лет ученые накопили впечатляющий арсенал для решения многогранной и сложной проблемы психических заболеваний: от новых инструментов геномного анализа и технологий нейровизуализации высокого разрешения до создания огромных банков данных пациентов и моделей искусственного интеллекта для анализа этих данных.

Тем не менее, несмотря на появление этих сложных инструментов, поиск персонализированного лечения — медицинского подхода, при котором практикующие врачи используют уникальный генетический профиль пациента для адаптации индивидуального лечения — до сих пор не увенчался успехом ни для одного нервно-психического расстройства.

Эти усилия были фундаментально ограничены отсутствием понимания того, как симптомы отображаются на нейронных цепях, говорит Джон Мюррей, профессор Дартмутского колледжа.

Нейроны мозга и симптомы нервных расстройств

Новая система генеративного моделирования, разработанная в Йельском университете, может помочь психиатрам лучше прогнозировать взаимосвязь между состоянием нейронов и симптомами пациента. По мнению ученых, система поможет психиатрам «принимать обоснованные решения о том, как проводить исследования и клинические испытания, и как повысить вероятность успеха при сопоставления симптомов с мозговыми цепями», — говорит Алан Антицевич, один из авторов исследования.

По словам исследователей, проблем с поиском индивидуального лечения нервно-психических заболеваний у пациента множество. Психиатрические состояния очень сложны и затрагивают множество различных областей мозга. И симптомы могут сильно различаться у разных людей.

Появление моделей искусственного интеллекта дало возможность адаптировать новые лекарства к индивидуальным симптомам таких расстройств, как шизофрения. Но исследования показали, что, хотя математические алгоритмы способны предсказывать симптомы или показатели пациентов в рамках конкретных клинических испытаний, для которых они были разработаны, эти же алгоритмы не сработали для аналогичных групп пациентов, участвовавших в другом исследовании.

В этих расходящихся результатах обвиняют «переобучение» (overfitting ) — или попытки моделей искусственного интеллекта экстраполировать закономерности, найденные на небольших объемах данных, в на большие объема, где этих закономерностей уже нет или они сильно размыты.

Чтобы преодолеть эти ограничения, нейробиолог Маркус Хелмер разработал новую статистическую генеративную модель. Она может оценить оптимальный размер наборов данных, необходимых для точной оценки того, как сигналы мозга связаны с поведением людей.

Обзор канонического корреляционного анализа (CCA) и метода частичных наименьших квадратов (PLS) для построения генеративной модели. a) Два многомерных набора данных, X и Y, проецируются отдельно на соответствующие весовые векторы, в результате чего получаются одномерные оценки для каждого набора данных. b) В системе координат главных компонент структура дисперсии в каждом наборе данных может быть обобщена спектром главных компонент. c) Связь между наборами кодируется в силе связи между оценками X и Y. d) Наборы данных X и Y совместно моделируются как многомерное нормальное распределение. Обзор канонического корреляционного анализа (CCA) и метода частичных наименьших квадратов (PLS) для построения генеративной модели. a) Два многомерных набора данных, X и Y, проецируются отдельно на соответствующие весовые векторы, в результате чего получаются одномерные оценки для каждого набора данных. b) В системе координат главных компонент структура дисперсии в каждом наборе данных может быть обобщена спектром главных компонент. c) Связь между наборами кодируется в силе связи между оценками X и Y. d) Наборы данных X и Y совместно моделируются как многомерное нормальное распределение.Communications Biology (2024). DOI: 10.1038/s42003-024-05869-4

В новом исследовании, которое провели исследователи из Йельского и Ноттингемского университетов, использовалась модель Хелмера. Ученые изучили данные нейровизуализации людей, собранные из двух крупных банков психометрических данных (проект Human Connectome Project) и Биобанком Великобритании, который содержит обезличенную генетическую информацию и биологические образцы от полумиллиона участников.

Исследователи обнаружили, что для надежного измерения связи между несколькими нейронными областями и несколькими поведенческими чертами может потребоваться до 10 000 отдельных испытуемых.

ИИ и лечение нервных расстройств widget-interest

Индивидуальные карты мозга показали насколько сильно отличаются нервные расстройства у разных людей

 

ИИ потерпел неудачу при попытке оценить эффективность лечения шизофрении

 

Ученые нашли «ген шизофрении»

Исследователи считают, что Йельская модель обеспечивает критерии, необходимые для установления надежной связи состояния нейронов и симптомов, что, в свою очередь, может быть использовано фармацевтическими компаниями для разработки и интерпретации исследований, направленных на поиск неврологической основы психиатрических симптомов в различных группах пациентов.

Источник
Комментарии 0
Оцените статью
WARHEAD.SU
Добавить комментарий