Вектор изменения стандарта психодиагностики — визуализация и компьютерный алгоритм

Современная диагностическая модель в психиатрии, хотя и является лучшей из имеющихся, однако не отличается высокой степенью надежности, учитывая три основных фактора. Среди них — неоднородность пациентов (в частности гетерогенность их психологического статуса, способности предоставлять достоверную информацию и вариабельность клинических проявлений), несогласованность лекарственных выводов (обычно разные взгляды на состояние одного пациента) и существующей номенклатуры. Так, несмотря на необходимость биомаркеров для объективизации диагностического процесса, до сих пор основой идентификации психоневрологических расстройств остаются поведенческие критерии. Учитывая то, что нозология является ключевым аспектом психиатрии, который определяет оценку состояния пациентов и выбор вариантов терапии, введение диагностической модели, сосредоточенной на объективном анализе и принятии более взвешенных диагностических решений, достаточно необходимым шагом.

Трансформация визуального вывода в числовой диагностический результат

Один из современных объективных методов оценки — нейровизуализация. Учет выводов этого инструментального метода при определенных условиях может упрощать диагностический процесс. Однако по сей день нейровизуализация не применяется в психиатрии для принятия рутинных клинических решений вопреки существующей заинтересованности в методе. Машинное обучение как технология использует статистические методы для поиска закономерностей в больших объемах информационных данных. Процесс обучения алгоритма начинается с анализа имеющихся данных и со временем автономно совершенствуется. Последние достижения в области машинного обучения в сочетании с методами нейровизуализации уже позволяют оценивать изменения локальных морфологических черт отдельных регионов головного мозга для выявления новых повторяющихся закономерностей, связанных с развитием заболевания. Определены шаблоны в дальнейшем могут применяться вычислительными моделями для создания классификаторов с целью упрощения процесса принятия диагностических решений.

Ранее проведены отдельные исследования с использованием подобных моделей для классификации пациентов в соответствии с определенной диагностической категории, в частности расстройств аутистического спектра (РАС) и шизофрении. Однако большинство подобных исследований сосредоточены на дифференциации психодиагностических признаков между лицами с типичным нервно-психическим развитием и людьми, имеющими психические расстройства. Указанная классификация важна для выявления повторяющихся морфофункциональных закономерностей головного мозга, которые отличаются тем, что считаются типичными. В то же время эта классификация никоим образом не демонстрирует различия между группами пациентов, важно в обосновании достоверности психиатрической нозологии и понимании пересечения между различными психическими заболеваниями. Однако применение каждого из подходов формирует более четкое представление о характере расстройств и их различия. Кроме того, изучение диагностической «поведения» предварительно обученного классификатора относительно промежуточных фенотипов или ранних доклинических изменений психического состояния пациентов помогает количественно оценивать развитие заболевания, прогнозировать его ход и понимать пересечение между различными нозологическими, фенотипическими и Нейробиологические категориями.

В новом исследовании ученые Токийского университета (University of Tokyo), Япония, сочетая метод машинного обучения и инструменты визуализации головного мозга, впервые осуществили оценку дифференциальных признаков различных психических расстройств, включая РАС и шизофренией, на основе 6 различных алгоритмов. Цель исследования — поиск различий данных магнитно-резонансной томографии (МРТ) головного мозга отдельных групп пациентов и здоровых лиц. В ходе работы командой экспертов по клинической медицины и машинного обучения создан компюьтерний алгоритм на основе образцов МРТ головного мозга взрослых (n = 206), среди которых были пациенты с ранее диагностированным РАС или шизофренией, лица с высоким риском развития шизофрении, пациенты, уже имели в анамнезе дебют психотического расстройства, а также здоровые лица с типичным психоневрологический развитием. Все участники исследования — пациенты с РАС мужского пола. В других группах представленность женщин и мужчин была почти одинаковой. Результат машинного обучения продемонстрировал способность алгоритмов связывать развитие у человека тех или иных психических расстройств с вариациями толщины, площади поверхности или объема отдельных участков головного мозга, воспроизведенных на изображениях МРТ. Закономерно, что возможность такой дифференциации все же не способна объяснять причины или механизм развития любых физических различий в ткани головного мозга в условиях определенного психического расстройства.

Надежность метода и практическое значение

Анализируя информативность и надежность алгоритма, отмечено, что диагностический результат программного метода сопоставимый с оценками клиницистов-психиатров на уровне 85%. Кроме того, важной характеристикой метода является то, что алгоритм машинного обучения способен дифференцировать здоровых лиц, пациентов с РАС, шизофренией или факторами риска развития этого заболевания. Комментируя полученные результаты, авторы высказали мнение о том, что успешное распознавание структурных различий головного мозга здоровых людей и лиц, имеющих биомаркеры риска развития шизофрении наконец сможет подтвердить наличие таких патоморфологических особенностей у лиц с факторами риска задолго до манифестации клинических проявлений в будущем. Материалы исследования опубликованы в издании «Translational Psychiatry» 17 августа 2020

• Yassin W., Nakatani H., Zhu Y. et al. (2020) Machine-learning classification using neuroimaging data in schizophrenia, autism, ultra-high risk and first-episode psychosis. Transl. Psychiatry, Aug. 17. DOI: 10.1038 / s41398-020-00965-5.

Наталья Савельева-Кулик