Ana Sayfa / Teknoloji / Psikologlar, depresyonu teşhis etmeye yardımcı olmak için makine öğrenimini istemektedirler

Psikologlar, depresyonu teşhis etmeye yardımcı olmak için makine öğrenimini istemektedirler

Bilişsel sinirbilimciler depresyon ve kaygı olanlara yönelik doğru tahmin tahminleri sağlamak için Stampede süper bilgisayarını kullanıyorlar. Makine öğrenme yaklaşımı ile kabaca% 75 doğrulukla majör depresif bozukluğu olan bireyleri sınıflandırmayı başardılar.

2017’de daha sonra çevrimiçi olacak Stampede 2 – daha fazla veri katmak ve daha da fazla doğruluğa ulaşmak için gerekli olan artan bilgisayar işlemeyi sağlayacak.

Depresyon her yıl 15 milyondan fazla Amerikan yetişkin veya ABD nüfusunun yaklaşık yüzde 6.7’sini etkiler. 15 ve 44 yaşları arasındaki engelliliğin önde gelen nedenidir.

Hastalığın başlangıcından önce beyin görüntüleme yöntemiyle savunmasız olabileceğini saptamak mümkün müdür?

Austin Üniversitesi Texas’taki bir bilişsel sinirbilimci ve psikoloji profesörü olan David Schnyer, bunun olabileceğine inanıyor. Ancak anlatı işaretlerini saptamak basit bir konudur. Manyetik Rezonans Görüntüleme (MRI) beyin taramaları, genomik veri ve diğer ilgili faktörleri kullanarak, yüzlerce hastanın ortak özelliklerini belirleyebilen bir makine öğrenme algoritması yetiştirmek için Texas Advanced Computing Center’daki (TACC) Stampede süper bilgisayarını kullanıyor ve doğru tahminler yapıyor. Depresyon ve kaygısı olanlar için risk altındadır.

Araştırmacılar, beyinsel görüntüleme verilerindeki beyin fonksiyonu ve yapı arasındaki ilişkiyi inceleyerek uzun zamandır zihinsel bozukluklar üzerinde çalışmışlardır.

Schnyer, “Bu çalışma ile ilgili bir zorluk, temelde betimleyici nitelikte olmasıdır: Beyin ağları iki grup arasında farklılık gösterebilir ancak hangi modellerin hangi grubun düşeceğini önceden tahmin etmediğini” söyler. “Depresyona ya da demansa karşı savunmasızlık gibi sonuçlarla ilgili öngörücü tanı ölçütleri arıyoruz” dedi.

2017’de Peter Clasen (Washington Üniversitesi Tıp Fakültesi), Christopher Gonzalez (University of California, San Diego) ve Christopher Beevers (UT Austin) ile birlikte çalışan Schnyer, bir kanıta dayalı bir çalışmanın analizini, Makine öğrenme yaklaşımı, majör depresif bozukluğu olan bireyleri kabaca% 75 doğrulukla sınıflandırmaktadır.

Makine öğrenimi, örnek veri girdilerinden bir model oluşturarak “öğrenebilir” ve daha sonra yeni verilere bağımsız öngörülerde bulunabilen algoritmaların oluşturulmasını içeren bir bilgisayar bilimi alt alanıdır.

Schnyer ve ekibi tarafından test edilen makine türüne Destek Vektör Makine Öğrenmesi denir. Araştırmacılar, her biri sağlıklı bireylere veya depresyon teşhisi konulan kişilere ait olmak üzere bir dizi eğitim örneği sağladılar. Schnyer ve ekibi verilerinde anlamlı olan özellikleri etiketledi ve bu örnekler sistemi eğitmek için kullanıldı. Bir bilgisayar daha sonra veriyi taradı, birbirinden farklı parçalar arasındaki ince bağlantıları bulundu ve bir kategoriye ya da diğerine yeni örnekler atayan bir model kurdu.

Çalışmada Schnyer, depresyonlu 52 tedavi arayan katılımcıdan gelen beyin verileri ile 45 heathi kontrol katılımcısını analiz etti. Grupları karşılaştırmak için depresyondaki katılımcıların bir alt grubunu yaş ve cinsiyete dayalı sağlıklı bireylerle eşleştirerek örneklemi 50’ye getirdi.

Katılımcılar, zaman içinde su moleküllerini bu moleküllerin mikroskobik olarak beyindeki dağılımını belirlemek için tutan difüzyon tensörü görüntüleme (DTI) MRI taramaları aldı. Çoklu uzamsal yönlerde bu difüzyonu ölçerek, dominant lif yönünü nicelleştirmek için her voksel için (her iki yapıyı ya da beyindeki sinirsel aktiviteyi temsil eden üç boyutlu küpler) vektörler üretilir. Bu ölçümler daha sonra serebral korteks içindeki beyaz cevher yollarının bütünlüğünü gösteren ölçütlere dönüştürülür.

DTI’yi karakterize etmek için kullanılan ortak bir parametre fraksiyonel anizotropi: difüzyonun yüksek derecede yönlü (yüksek kesirli anizotropi) veya sınırsız (düşük fraksiyonel anizotropi) derecesi.

Bu fraksiyonel anizotropi ölçümlerini iki grup arasında karşılaştırdıklarında istatistiksel olarak anlamlı farklılıklar bulundu. Daha sonra, ilgili voksellerin sayısını sınıflandırma için en uygun olan bir alt kümeye indirdiler ve makine öğrenme yaklaşımını kullanarak sınıflandırma ve öngörmeyi gerçekleştirdiler.

“Bütün beyin verilerini ya da bir alt kümesini besliyoruz ve hastalık sınıflamalarını ya da olumsuz bilgi önyüklemeleri gibi olası herhangi bir davranış önlemini tahmin ediyoruz” diyor.

Çalışma, DTI kaynaklı fraksiyonel anizotropi haritalarının, sağlıklı kontrollere karşı, depresif veya hassas kişileri doğru bir şekilde sınıflandırabildiğini ortaya koydu. Ayrıca, öngörücü bilgilerin, oldukça yerelleştirilmeden ziyade beyin ağları arasında dağıldığını da gösterdi.

Zihinsel Sağlık Enstitüsü Müdürü ve psikoloji profesörü Beevers, “DTI verilerini kullanarak depresyona maruz kalmış kişilere karşı depresyonu olmayan kişileri sınıflandırabileceğimizi öğrenmekle kalmayıp, depresyonun beynimizde nasıl temsil edildiği konusunda da bir şeyler öğreniyoruz” dedi. UT Austin’de araştırma. “Depresyonda bozulan alanı bulmaya çalışmak yerine, birçok ağdaki değişikliklerin depresyonun sınıflandırılmasına katkıda bulunduğu öğreniliyor.”

Sorunun ölçeği ve karmaşıklığı bir makine öğrenme yaklaşımını gerektirir. Her beyin kabaca 175.000 voksel tarafından temsil edilir ve taramalara bakarak böyle çok sayıda bileşen arasındaki karmaşık ilişkiyi saptamak pratik olarak imkansızdır. Bu nedenle, ekip keşif işlemini otomatikleştirmek için makine öğrenimini kullanır.

Schnyer, “Bu, geleceğin dalgası” diyor. “Sinirbilimindeki zor sorunları çözmek için makine öğrenimi uygulaması konferansında artan sayıdaki makale ve sunumları görüyoruz.”

Sonuçlar umut vericidir, ancak klinik ölçüt olarak kullanılmaya yetecek kadar net değildir. Ancak Schnyer, sadece MRI taramaları ile değil, aynı zamanda genomik ve diğer sınıflandırıcılardan daha fazla veri ekleyerek sistemin daha iyi sonuç alabileceğine inanıyor.

“Daha geleneksel yaklaşımlarla karşılaştırıldığında, makine öğrenmesinin faydalarından biri, makine öğrenmesinin, çalışmamızda gözlemlediğimiz şeyin yeni ve bağımsız veri kümelerine uygulanma ihtimalini arttırması gerektiğidir, yani yeni verilere genelleme yapması gerektiğini” belirtti. Beevers dedim. “Bu, gelecekteki çalışmalarımızda test etmekten heyecan duyduğumuz kritik bir sorundur.”

Beevers ve Schnyer, çalışmalarını, Austin topluluğunda depresyon, endişe veya ilişkili bir durum olarak teşhis edilen yüzlerce gönüllüden gelen verileri içerecek şekilde genişletecek. Stampede 2 – TACC’nin 2017’de daha sonra çevrimiçi olacak ve mevcut sistemin iki katı kadar güçlü yeni süper bilgisayar – daha fazla veri katmak ve daha fazla doğruluğa ulaşmak için gerekli olan artan bilgisayar işlem gücü sağlayacak.

Schnner, “Bu yaklaşım ve aynı zamanda açık bilim ve insan bağlantılı projeye benzer büyük veritabanları hareketi, TACC gibi tesislerin kesinlikle gerekli olduğunu” belirtiyor. “Bu işi masaüstlerinde yapamazsınız, gelişmiş bir bilgi işlem merkezi ile kurulmuş bir ilişkiniz olması giderek daha da önem kazanacak.”

Kaynak:

Texas at Austin Üniversitesi, Teksas Gelişmiş Bilgi İşlem Merkezi

Hakkında Harun Antepli

1986 yılında Gaziantep'te doğan Harun Antepli, Gaziantep üniversitesi Bilgisayar Programcılığı bölümünden mezun olmuştur. Gaziantep doğumlu olan Harun Antepli, hayatına yine doğduğu ve üniversite eğitimini tamamladığı Gaziantep’te devam etmektedir. Kendi kurduğu bilgisayar şirketi olan Harun Antepli, Özellikle Teknoloji alanında profesyonel bir bakış açısıyla makaleler yazmakta ve okuyucularımızın hizmetine sunmaktadır. Mail: harunantepli@batitrakyahaber.com - Adres : Karataş Mah. 400 Nolu Cad. No:41/B Şahinbey/Gaziantep - Tel : +90 546 214 18 84

Bu habere de bakabilirisiniz

Lonely Planet, Instagram rakibini deniyor

Lonely Planet’in CEO’su Daniel Houghton mesajı, şirketinin yeni bir uygulama olan Trips başlattıkça duymanızı istedi . 1973’ten beri ...

Bir Cevap Yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir