Makine öğrenmesi, depressionun erken uyarı işaretlerini beyin taramalarında ortaya çıkardı

Yeni bir hesaplamalı model ile beyin görüntüleme verilerinin birleştirilmesi, yüz ifadelerini algılarken önceki beklentilere aşırı derecede güvenmenin bir kişinin depresyona yol açma riskini öngörebileceğini gösteriyor. Araştırmacılar insan beyinin öfkeli yüzleri nasıl işlediğini analiz ederek, klinik belirtiler ortaya çıkmadan dört yıla kadar önce görünen görsel bozulmaya dair matematiksel bir örüntü belirlediler. Çalışma Science Advances‘da yayımlandı.

Büyük depresif bozukluk dünya çapında milyonlarca kişiyi etkiler ve yerleştikten sonra tedavi edilmesi genellikle zordur. Erken teşhis, halk sağlığı uzmanları için hâlâ yüksek öncelik taşımakta, ancak kimin bu duruma yakalanacağını öngörmek çoğunlukla kişinin kendisinin bildirdiği belirtilere ve çevresel risk faktörlerine dayanmaktadır. Bir bireyin hasta hissetmeden önce hassaslığını gösteren biyolojik işaretlerin belirlenmesi, önleme çalışmalarını iyileştirebilir.

Ruh sağlığı koşulları genellikle duygusal işlemede değişimlerle karakterize edilir; örneği muğlak sosyal ipuçlarını olumsuz veya tehditkâr olarak yorumlama eğilimi gibi. Önde gelen psikolojik teoriler, beynimizin duyusal bilgiyi—yüzün görsel ayrıntıları gibi ham veriyi—yorumlamak için hafızamızda depolanmış soyut kavramları kullanarak duygusal deneyimler inşa ettiğini öne sürmektedir. Son yıllarda araştırmacılar depresyonla ilişkili çeşitli bölgeleri haritalandırdılar, ancak bu betimleyici örüntüler hastalığı yönlendiren kesin mekanizmaları açıklamaz.

Sırasıyla Shenzhen Üniversitesi ve Fudan Üniversitesi’nde çalışan araştırmacı Han Lu ile Qiang Luo, bu duyusal girdi ile soyut hafızanın birleşiminin depresyona eğilimli insanlarda nasıl yanlış gidebileceğini anlamaya çalıştılar. Görsel korteksi—görme işlevinden sorumlu olan beyin bölgesini—sosyal tehdit sinyallerinin bozulduğu, erken aşamada darboğaz görevi gören bir bölge olabileceği hipotezinde bulundular. Bu fikri test etmek için araştırmacılar, insan beyinin duygusal ifadeleri tanımayı nasıl öğrendiğini yeniden üretmek amacıyla matematiksel bir simülasyon geliştirdiler.

Araştırmacılar önce IMAGEN kohortu olarak bilinen ve popülasyona dayalı bir Avrupa çalışmasındaki 1.331 on dokuz yaşında katılımcının fonksiyonel manyetik rezonans görüntüleme (fMRG) beyin taramalarını analiz ettiler. Bu görüntüleme tekniği, nöral aktivitenin göründüğü bölgeleri tespit etmek için beyindeki kan akışını ölçer. Taramalar, gençlerin nötral ifadelerden öfkeli ifadelere geçtiği kısa video klipleri izlerkenki beyin aktivitelerini kaydetti.

Araştırmacı ekip, makine öğrenimi algoritması kullanarak her bir katılımcının görsel korteksinin öfkeli yüzleri nasıl kodladığına dair matematiksel bir temsil çıkardılar. Beyindeki bu belirli nöral aktivite örüntüsüne “görsel kod” adını veriyorlar. Ardından ekip, katılımcıları bu görsel kodların verimliliğine göre gruplara ayırdı; tipik ve oldukça verimli görsel kodlamaya sahip bir grup ile verimsiz ve gürültülü görsel işleme yapan başka bir grup oluşturdu.

Daha az verimli gruptaki gençler klinik anketlerde kaygı ve düşük ruh hali gibi daha yüksek düzeyde duygusal belirtiler bildirdi. Bu ilişki, öfkeli yüzlerin bozulmuş görsel temsilinin duygusal sıkıntıyla ilişkili olduğunu gösteriyordu. Araştırmacılar, beyindeki zayıf görsel kodlamanın duygusal belirtilerin varlığıyla doğrudan ilişkili olduğunu belirledi.

Bu bozulmuş görsel işlemenin ardındaki hesaplamalı mekanizmayı anlamak için ekip, birbirine bağlanmış algoritmalardan oluşup insan beyinine model alınmış yapay zeka modeli olan derin bir sinir ağı kurdular. Bu özel model iki ayrı işleme yolu içeriyordu. Bir yol görsel resimlerden ham görsel bilgiyi işlerken, diğer yol farklı duygular hakkındaki soyut kavramsal bilgiyi taşıyordu.

Sıradan insan algısında beyin, bir kişinin yüz ifadesini hızlı biçimde tanımasını sağlayarak görsel bilginin işlenmesini yönlendirmek ve hızlandırmak için soyut bilgi kullanır. Araştırmacılar yapay ağlarını bu süreci taklit edecek şekilde programladılar ve model yüzleri tanımayı öğrenirken kavramsal yolun görsel yolu düzenlemesine izin verdiler. Yapay ağın iç matematiksel kodunu insan beyini taramalarıyla karşılaştırdıklarında güçlü bir uyum buldular.

Bu benzerlik, modelin öfkeli yüzlerin görsel algısını başarıyla yeniden ürettiğini gösteriyordu. Ardından ekip, modele kavramsal yolun görsel üzerindeki etkisini değiştirerek bir deney uyguladı. Ağı düzenleme gücünü sistematik olarak artırıp azaltarak ağın nasıl tepki vereceğini gözlemlediler.

Düzenleme orta düzeye ayarlandığında model en iyi duygusal tanıma başarısına ulaştı. Ancak araştırmacılar modeli aşırı kavramsal düzenlemeye zorladıklarında, nötral yüzleri öfkeli veya üzgün olarak yanlış sınıflandırmaya başladı. Soyut kavramlara görsel ayrıntıların üzerinde aşırı derecede güvenmek, gerçek görsel ayrıntıları geçersiz kıldı ve hesaplamalı bir olumsuz yanlılık üretti.

Bu aşırı düzenlenmiş yapay modelin iç kodu, yüksek duygusal belirtilere sahip gençlerde bulunan verimsiz, gürültülü beyin örüntüleriyle yakından uyum gösteriyordu. Bu, önceden var olan inançların duyusal gerçeği üstüne çıkarmak—yani aşırı düzenleme—which olumsuz duygusal yanlılıkları yönlendiren bir mekanizma olarak işlev gördüğünü işaret ediyor.

Araştırmacılar bu simülasyona dayanarak, her bir insan katılımcısının on dokuz yaşındaki beyin taramalarına dayalı olarak görsel aşırı düzenleme düzeyini niceliksel olarak ölçen bir hesaplamalık belirleyici oluşturdular. Ardından bu katılımcıların 725’ini dört yıl sonra takip ettiler. Amaç, belirleyicinin ruh sağlığı sorunlarının başlangıcını öngörebileceğini görmekti.

Ondokuz yaşında klinik belirtileri olmayan genç yetişkinler arasında matematiksel belirleyici, yirmi üç yaşına gelince yüksek düzeyde duygusal belirtiler geliştirecek bireyleri başarılı biçimde öngördü. Bu öngörü modeli, yalnızca demografik bilgiler ve temel beyin aktivasyon düzeylerine dayanan geleneksel ön ölçümleri geride bıraktı. Bulgu, aşırı düzenleme mekanizmasının duygusal belirtilerin başlangıcından önce gelebileceğini işaret ediyor.

Bu hesaplamalı mekanizmanın depresyona özgü olup olmadığını belirlemek için ekip, IMAGEN katılımcılarından genetik veri inceledi. Aşırım düzenleme belirleyicisi ile çeşitli psikiyatrik koşullarla ilişkilendirilen genetik varyantlar arasındaki ilişkileri kontrol ettiler. Analiz, büyük depresif bozuklukla ilişkili olduğu bilinen ve beyin gelişimine dahil olan birgende bulunan, aşırı düzenlenmiş görsel belirleyici ile belirli bir genetik varyant arasında bağlantı gösterdi.

Birleyici aynı zamanda katılımcıların depresyon için polijenik risk skoruyla da ilişkilendirildi; bu skor, çok sayıda farklı genetik varyantın bir bireydeki hastalık riski üzerindeki tahmini etkisini özetleyen bir sayıdır. Görsel belirleyicinin alkol kullanım bozukluğu veya yeme bozuklukları için genetik risklerle herhangi bir bağlantısı göstermedi. Bu özgüllük, görsel bozul mekanizmasının depresyona benzersiz biçimde bağlı olduğunu destekledi.

Son olarak araştırmacılar belirleyicilerini, yerleşmiş hastalıklarda sürdürülüpurulmadığını görmek için genç yetişkinlerden oluşan ayrı bir klinik veri setinde test ettiler. Büyük depresif bozukluk tanısı alan 134 hasta ve sağlıklı kontrol grubundan oluşan 62 kişinin beyin taramalarını analiz ettiler. Depresyonu olan hastalar, sağlıklı kontrollara göre aşırı düzenleme belirleyicisinin daha yüksek düzeylerini gösterdi.

Birleyici bir katılımcının depresyonu olup olmadığını doğru biçimde sınıflandırdı. Alkol kullanım bozukluğu, anorexia nervosa ve bulimia nervosa hastalarına uygulandığında belirleyici herhangi bir grup farkı göstermedi. Geleneksel beyin aktivasyon ölçümleri, depresyonlu hastaları sağlıklı kontrollardan ayırmada istatistiksel olarak anlamlı değildi.

Hem popülasyona dayalı hem de klinik kohortlardan gelen çalışma katılımcıları çoğunlukla orta-yüksek sosyoekonomik düzeyden gelen beyaz kişilerdi. Gelecek araştırmalar, bu özel hesaplamalı örüntülerin farklı etnik, ırksal ve sosoekonomik demografilere sahip popülasyonlarda eşit derecede geçerli olup olmadığını incelemek zorundadır. Genel genç örneğinde yüksek verimli ve düşük verimli görsel işleme grupları arasındaki duygusal belirtiler farkı aynı zamanda nispeten küçüktü.

Genel nüfus çalışmalarında klinik olmayan sıkıntıyı yakalarken beklenen bu küçük etki boyutu, bu aşamada görsel kümeleştirme yaklaşımının bireysel hastalar için sınırlı bir tanı gücüne sahip olduğu anlamına gelir. Araştırmacılar, bu belirleyicinin daha geniş klinik yararlılığını bağımsız hasta gruplarında doğrulamak zorundadır. Bu hesaplamalı işaretleri genç gençlerde izlemek, görsel bozulmaların gelişim sırasında daha da erken ortaya çıkıp çıkmadığını ortaya çıkarabilir.

Hastaları zaman içinde izlemek aynı zamanda belirleyicinin uzun vadeli iyileşmeyi mi yoksa kronik hastalığı mı öngörebileceğini belirlemeye yardımcı olacaktır. Görsel bozulmanın kalıcı bir özellik mi yoksa geçici bir durum mu olduğunun belirlenmesi, hedefe yönelik terapi tasarımına yardımcı olacaktır. Görsel işlevi yeniden eğitmeyi amaçlayan müdahaleler bir gün bu depresyon riskini hafifletmeye yardımcı olabilir.