במחקר שפורסם לאחרונה ב- Molecular Psychiatry, חוקרים ביצעו הדמיית תהודה מגנטית מסוג מבנה (sMRI) כדי לפתח מסווג למידת מכונה ולהבחין בין דפוסים נוירו-אנטומיים בין בקרות בריאות (HCs) לבין אלו המפתחות מחלה פסיכוטית (CHR-PS+).
לימוד: שימוש באמצעי הדמיה מבנית מוח כדי לחזות הופעת פסיכוזה עבור אנשים בסיכון גבוה קליני. קרדיט תמונה: Nomad_Soul/Shutterstock.com
רקע כללי
MRI מבני משמש לאבחון מחלות, אם כי יכולתו לקבוע פסיכוזה אינה ברורה. פרדיגמת הסיכון הקליני (CHR) מסייעת באבחון מוקדם ומניעה של הפרעה פסיכוטית.
אנשים בסיכון גבוה מבחינה קלינית נוטים יותר לחלות בפסיכוזה מאשר בקרות בריאות; עם זאת, רובם אינם עוברים או סובלים מתסמינים מופחתים.
מצב CHR מתאם עם שינויים באנטומיה של המוח, כולל נפח החומר האפור, שטח הפנים של קליפת המוח ועובי קליפת המוח. תוצאות MRI חוצות מגלות כי לאלו ב-CHR היה CT נמוך יותר.
לגבי המחקר
במחקר הנוכחי, החוקרים בנו מודל למידת מכונה כדי להבדיל בין יחידי CHR-PS+ לבין HCs.
הם גם חקרו אם המודל יכול להבדיל בין חולי CHR-PS+ לבין אנשים שלא הראו סימנים של פסיכוזה (CHR-PS-) או כאלו עם מצב לא ידוע במעקב (CHR-UNK).
החוקרים אספו תמונות מוח sMRI במשקל T1 מ-1,029 HCs ו-1,165 יחידי CHR על פני 21 מיקומי ENIGMA CHR עבור קבוצת עבודה של פסיכוזה. הם השתמשו באטלס Desikan-Killiany ובצינור הערכת האיכות ENIGMA כדי לחלץ נתונים מבניים מ-153 אתרים מעניינים.
הם קבעו את המצב בסיכון גבוה מבחינה קלינית באמצעות ראיון מובנה לתסמונות פרודרומיות (SIPS) והערכה מקיפה של מצבים נפשיים בסיכון (CAARMS).
הצוות השתמש בכלי ComBat לסטנדרטיזציה של עובי קליפת המוח, שטח פנים ומדידות נפח תת-קורטיקליות.
הם השתמשו במדידות שטח פנים קליפת המוח, עובי קליפת המוח, נפח תוך גולגולתי ומדידות נפח תת-קורטיקליות כדי לחזות המרת פסיכוזה פוטנציאלית. הם כללו גיל, מין, פרוצדורה ותופעות לוואי כמשתנים.
החוקרים יישמו מודלים תוספים כלליים (GAMs) על נתוני HC, הפיקו מאפייני sMRI לא ליניאריים שתוקנו לגיל ולמין ביולוגי, וחזרו בהשפעות הנפח התוך גולגולתי.
הם יצרו מסווג XGBoost שמשתמש בנתוני CHR-PS+ ו-HC כדי לזהות סטיות בדפוסי התפתחות נוירואנטומיים. הם העריכו את יכולת הניבוי של המודל באמצעות נתוני האתר הנותרים.
החוקרים העריכו את ביצועי המודל בשני שלבים, תוך פיצול המידע לסוג האימון, מבחן, קבוצה עצמאית וערכות מידע בלתי תלוי-מאשר.
הם ביצעו אימות חיצוני באמצעות ערכות מידע מסוג בדיקה ומידע אישור בלתי תלוי, בעוד שמערך הנתונים הקבוצתי העצמאי זיהה אנשים עם סטטוס CHR-UNK ו-CHR-PS− בכל המיקומים.
הצוות אימן את מודל הסיווג הסופי באמצעות הפרמטרים האופטימליים ונתוני האימון והעריך את יכולת הניבוי של מסווג למידת המכונה מול נתונים של קבוצה עצמאית.
הם ביצעו ארבע השוואות של עקומת החלטה והעריכו את המסווג על ארבע קבוצות תכונות מובחנות: עובי קליפת המוח, שטח פנים, נפחים תת-קורטיקליים בלבד וכל המאפיינים.
הם השתמשו במודל המדגים את ביצועי החיזוי הטובים ביותר תוך שימוש בנתוני האישור הבלתי תלויים לניתוח נוסף.
תוצאות
הצוות מצא ששטח הפנים של קליפת המוח האזורי השפיע באופן משמעותי על הסיווג של אנשים מקבוצת CHR-PS+ מ-HC. אנשים בקטגוריות CHR-UNK ו-CHR-PS- היו בסבירות גבוהה יותר להיות מזוהים כ-HC.
מסווג SA לא ליניארי עלה על קבוצות CHR-PS+ ו-HC. המודל השיג 85% דיוק באמצעות נתוני האימון. הצוות השיג את ההערכה הטובה ביותר תוך שימוש בנתוני הבדיקה (68%) ובנתוני אישור בלתי תלויים (73%).
הם זיהו את עשרת משקלי המאפיינים הטובים ביותר להפרדת HC מקבוצות CHR-PS+, שכללו את אזורי האינסולה, החזית העליונה, הטמפורלית העליונה, הפריאטלית העליונה, האיסתמוס של ה-cingulate, fusiform, postcentral gyri ו-parahippocampal gyri.
אנשים עם יותר תסמינים קליניים היו בעלי שטחי פנים נמוכים יותר של קליפת המוח באזורי ה-rostral anterior cingulate, lateral prefrontal ו-mediaal prefrontal ו-parahippocampal gyrus.
מסווגים מבוססי למידת מכונה שהוכשרו על 152 תכונות MRI מבניות של המוח הפגינו גרוע יותר בניתוח המאשש מאשר מסווגים מותאמי מין וגיל.
החוקרים גם ניסו להבחין בין אנשים בעלי סיכון קליני גבוה מבקרות בריאים ואנשים מקטגוריית CHR-PS+ מאלה בקטגוריית CHR-PS- אך השיגו רק 50% דיוק.
צוינו הבדלים מובהקים סטטיסטית בתוויות המחולקות, כאשר קבוצת הביקורת הבריאה הראתה סבירות מוגברת להיות מסווגת כביקורת בהשוואה ליחידי CHR-PS+ (73% לעומת 30%). נתונים של קבוצות עצמאיות לא הראו הבדלים בין קבוצות CHR-UNK ו-CHR-PS-.
המחקר חשף הבדלים משמעותיים בתוויות מסווגות והסתברויות מוערכות על פני ארבע קבוצות של מטופלי CHR-PS+.
יחידי CHR-PS+ נבדלו מאלה בקבוצות האחרות, בעוד שפרטי CHR-PS- נפלו בין אלו שבקבוצת הביקורת הבריאה וקבוצת CHR-PS+.
למרות שהסבירות החזויה השתנתה לפי גיל וקבוצה, הצוות לא ראה אינטראקציות מובהקות סטטיסטית בין קבוצת גיל. עקומות ההחלטה הראו שרכישת תחזית מהמסווג הנוכחי הביאה ליתרון נטו גבוה יותר למעבר מגלה CHR.
סיכום
בסך הכל, ממצאי המחקר הראו כי סריקות sMRI יכולות לסייע בקביעת הפרוגנוזה של יחידי CHR ולהבחין בין יחידי CHR-PS+ לבין בקר בריא.
המודל השיג דיוק של 85% בסיווג דו-כיתתי על ידי התאמה לא ליניארית של משתני שטח פנים קליפת המוח עבור מין וגיל.
שינויים נוירואנטומיים עזרו לזהות אנשים מקבוצת CHR-PS+. האזורים הטמפורליים, האינסולה והחזיתיים העליונים תרמו בעיקר להבחנה בין CHR-PS+ לבין HCs.
