Автор: 
Большое депрессивное расстройство — это распространённое психическое заболевание, от которого страдает около 280 миллионов людей во всём мире. Больные теряют интерес к деятельности, сталкиваются с бессонницей, сонливостью, слабостью, чувством вины и самоуничижения. При этом для выявления депрессивного расстройства используются субъективные шкалы, отчёты пациента и наблюдения врача, что далеко не всегда позволяет точно определить тяжесть заболевания. В последние годы, чтобы улучшить диагностику психических расстройств, врачи стали использовать алгоритмы машинного обучения на основе искусственных нейронных сетей, подобных тем, что функционируют в головном мозге. Однако полученные с их помощью результаты тяжело интерпретировать. В результате невозможно выделить основные параметры, на основании которых нейронная сеть принимает решение.
Российские учёные предложили интерпретируемый подход, позволяющий эффективно выявлять депрессивное расстройство. Результаты исследования опубликованы в журнале Chaos: An Interdisciplinary Journal of Nonlinear Science. Для этого они использовали снимки, полученные с помощью функциональной магнитно-резонансной томографии — метода, основанного на измерении интенсивности кровотока: когда какая-либо область мозга возбуждалась, приток крови к ней увеличивался. Затем по полученным снимкам исследователи строили графы — сложные сети, у которых узлы (точки) имитировали области мозга, а связи между узлами — рёбра графа — соответствовали взаимодействиям между областями. На основе полученных графов учёные сравнивали работу мозга у 35 пациентов с депрессивным расстройством и у 50 здоровых людей, а затем, используя методы машинного обучения, пытались разделить пространство признаков обоих групп.
Предложенный подход позволил с точностью до 82,6% различить больных и здоровых людей. При этом группы различались лучше, если авторы при анализе учитывали определённый набор сетевых метрик: силу узла, соответствующую активности области мозга, количество рёбер, то есть число взаимодействий между областями, а также коэффициент кластеризации, показывающий, в какой степени узлы имели тенденцию группироваться вместе. Если же исследователи применяли признаки по отдельности или добавляли другие незначимые сетевые характеристики, алгоритм работал некорректно. Таким образом, метод позволил выявить те характеристики функциональной сети мозга, которые различаются у больных и здоровых испытуемых. При этом алгоритм распознавал отличия не в отдельных локальных связях между областями мозга (как это делается в большинстве методов), а в глобальных характеристиках всей сети нейронов. Новая методика позволит отследить глобальные изменения в структуре мозга у людей с депрессивным расстройством, а также обеспечить клиническую практику надёжным способом диагностики этого заболевания.
