ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ОБЪЕДИНЕНИЯ МУЛЬТИМОДАЛЬНЫХ ДАННЫХ НЕЙРОВИЗУАЛИЗАЦИИ В ДИАГНОСТИКЕ ШИЗОФРЕНИИ Текст научной статьи по специальности «Биологические науки»

УДК 616.895.8:616.8-07

ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ОБЪЕДИНЕНИЯ МУЛЬТИМОДАЛЬНЫХ ДАННЫХ НЕЙРОВИЗУАЛИЗАЦИИ В ДИАГНОСТИКЕ ШИЗОФРЕНИИ

DOI 10.24412/CL-37228-2024-111-113

Е. С. Антипушина12, М. О. Бойко12, Д. А. Сенько3, Ф. Е. Хайтович3, М. Г. Шараев1,2

1Центр прикладного искусственного интеллекта, Сколковский институт

науки и технологий, Москва, Россия ^Лаборатория искусственного интеллекта для биомедицины, BIMAI-lab,

Университетом Шарджи, Объединенные Арабские Эмираты 3Центр Нейробиологии и нейрореабилитации имени Владимира Зельмана,

Сколковский институт науки и технологий, Москва, Россия E-mail: Ekaterina.Antipushina@skoltech.ru

Аннотация. В данном исследовании рассмотрены возможности применения мультимодальных методов машинного обучения для улучшения качества диагностики шизофрении. Набор данных включал в себя матрицы связности функциональной магнитно-резонансной томографии датасета COBRE 54 пациентов с шизофренией и 69 здоровых испытуемых, МР-мор-фометрию и информацию об уровнях липидной интенсивности 36 регионов белого вещества головного мозга. Построенная с помощью метода опорных векторов мультимодальная модель классификации характеризуется высокой чувствительностью (0,75) и специфичностью (0,81), что позволит улучшить качество диагностики шизофрении.

Ключевые слова: шизофрения, машинное обучение, фМРТ, мультимо-дальный анализ данных.

Шизофрения является многогранным психиатрическим расстройством, оказывающим глубокое влияние на жизнь людей, что требует ранней и точной диагностики для эффективного планирования лечения [1]. В данном исследовании представлен подход с использованием передовых нейровизуализационных техник, а именно — функциональной магнитно-резонансной томографии (фМРТ) и структурной магнитно-резонансной томографии (сМРТ)

в сочетании с данными об изменениях в липидном составе ключевых регионов белого вещества человеческого мозга для повышения точности диагностики шизофрении. Вклад нашего исследования заключается во включении информации о липидном составе белого вещества. Такие дополнительные признаки имеют критическое значение для понимания сложных биологических основ шизофрении. Особое внимание уделяется анализу данных о липидных интен-сивностях, полученных из лобных и височных долей левого полушария, включая мозолистое тело, поясной пучок, верхнюю часть лучистого венца, средний продольный пучок, верхнюю височную извилину и угловую извилину, регионы, значительно измененные у пациентов с шизофренией по данным МРТ, подтвержденные с использованием Атласа мозга Аллена [2].

Используя открытый набор данных COBRE [3], который включает нейровизуализационные данные от 123 субъектов, включая 69 здоровых испытуемых и 54 пациентов с диагнозом шизофрения, мы применили подход к слиянию данных разных модальностей. С помощью моделей машинного обучения — логистической регрессии, случайного леса, метода опорных векторов (SVM), метода градиентного бустинга (XGBoost) — мы анализировали и интегрировали признаки, извлеченные из данных фМРТ и сМРТ, вместе с данными о липидных интенсивностях. Признаки фМРТ отражают функциональную активность мозга и связность областей друг с другом, что имеет решающее значение для расшифровки аномальных паттернов нейронной синхронизации, в то время как признаки сМРТ дают представление об анатомических изменениях в структурах мозга. Включение сведений о концентрациях липидов в качестве признака представляет возможность проводить более комплексный анализ гемодинамических и биохимических изменений, ассоциированных с шизофренией.

Данные были предобработаны следующим образом: нормализация фМРТ и стандартизация, за которой следовал отбор признаков с использованием SelectKBest, сосредоточенный на морфоме-трии для выявления наиболее значимых структурных признаков в задаче классификации. Наш метод слияния данных, объединяющий пространственные, временные и биохимические признаки, улучшает способность различать пациентов с шизофренией и здоровых контрольных. Оценка эффективности модели, основанной на макро-метрике F1, подчеркивает рост в точности предсказания с увеличением оценки F1 до 0,77, превосходящей предсказательную

производительность традиционных подходов с одной модальностью: фМРТ с F1 0,75, сМРТ с F1 0,65 и F1 для данных о липидных интенсивностях, равной 0,58.

Проведенный анализ подтверждает значимость совмещения данных о липидном профиле с мультимодальными нейровизуали-зационными данными для повышения точности диагностирования шизофрении.

Список литературы

1. Sharaev M.G., et al. Diagnosis of Schizophrenia Based on the Data of Various Modalities: Biomarkers and Machine Learning Techniques (Review) // Соврем. технол. мед. — 2022. — № 5 (eng).

2. Senko D., et al. White matter lipidome alterations in the schizophrenia brain. — 10.1101/2023.11.27.568452.

3. Center for Biomedical Research Excellence // Cobre phase 3. — 2023. — URL: https://www.mrn.org/common/cobre-phase-3.

APPLICATION OF MACHINE LEARNING METHODS TO COMBINE MULTIMODAL NEUROIMAGING DATA IN THE DIAGNOSIS OF SCHIZOPHRENIA

Abstract. This study examines the possibilities of using multimodal machine learning methods to improve the quality of diagnosis of schizophrenia. The data set included connectivity matrices of functional magnetic resonance imaging of the COBRE dataset of 54 patients with schizophrenia and 69 healthy subjects, MR morphometry and information on lipid intensity levels of 36 regions of the white matter of the brain. The multimodal classification model constructed using the support vector machine is characterized by high sensitivity (0.75) and specificity (0.81), which will improve the quality of diagnosis of schizophrenia.

Key words: schizophrenia, machine learning, fMRI, multimodal data analysis.