Автор: 
В центре тенденций Университета штата Джорджия учёными был создан искусственный интеллект для выявления новых биомаркеров заболеваний мозга, таких, как шизофрения, болезнь Альцгеймера и аутизм. Искусственный интеллект позволяет выявлять заболевания на начальной стадии развития, тем самым врачи смогут проводить успешную профилактику и лечение патологий мозга. Исследование опубликовано в журнале Scientific Reports.
Динамика мозга очень сложна и тем не менее является ключом к пониманию функций и дисфункций мозга. Динамика, полученная с помощью функциональной магнитно-резонансной томографии в состоянии покоя, является зашумленной, многомерной и трудно интерпретируемой. Функция мозга проявляется в пространственно-временной локализованной активности в динамике. Для выявления патологий мозга на ранних стадиях необходимо проводить более глубокое исследование.
Учёные использовали предварительно обученную нейросеть, чтобы отличать пациентов от здоровых людей для проведения исследовательской работы. В программу были загружены данные МРТ 10 тысяч пациентов. Компьютер проанализировал собранные данные и выявил ранее неизвестные биомаркеры заболеваний мозга. Благодаря большой базе данных алгоритм искусственного интеллекта помог найти закономерности патологических изменений в работе мозга. Предлагаемая методология состоит из 4 этапов: предварительное обучение модели, последующая классификация, оценка важности признаков и оценка признаков.
В частности, данные исследования показывают, что можно захватить разреженные пространственно-временные сигнатуры, которые кодируют информацию, сравнимую с той, что обнаруживается с помощью традиционного анализа функциональных сетевых подключений. Далее функции мозга проявляются в виде уникальных динамических сигнатур во временных масштабах (латентная темпоральность) при различных расстройствах. Впоследствии представляется адаптивная, интерпретируемая методология для захвата этих временных переходных динамических признаков, которые могут помочь различить расстройства.
Понимание пространственной и временной специфики паттернов мозговой активности поможет установить технику для клинического использования, связывая различия в характере с симптомами. В будущем этот метод может стать важным шагом на пути к установлению более надёжных коррелятов функционально-структурной зависимости в головном мозге, а также может применяться более широко для понимания меж- и внутрииндивидуальной изменчивости и изменений при психических расстройствах.
