Είναι δυνατόν να ανιχνευθεί εάν κάποιος μπορεί να είναι ευάλωτος στην κατάθλιψη πριν από την εμφάνισή της , μέσω της χρήσης απεικόνισης του εγκεφάλου (fMRi);
Σε μια έρευνα που δημοσιεύθηκε στις 27 Μαρτίου 2017, ο Dr David Schnyer, ένας γνωστικός νευροεπιστήμονας και καθηγητής ψυχολογίας στο Πανεπιστήμιο του Τέξας στο Όστιν, πιστεύει ότι μπορεί να ανιχνευθεί.
Για να γίνει όμως αυτό χρειάζεται ένας υπερυπολογιστής στο Τέξας Advanced Computing Center (TACC) για να εκπαιδεύσει έναν αλγόριθμο μηχανικής μάθησης που μπορεί να εντοπίσει ομοιότητες ανάμεσα σε εκατοντάδες ασθενείς που χρησιμοποιούν Μαγνητική Τομογραφία (MRI) του εγκεφάλου, δεδομένων γονιδιωματικής και άλλους σχετικούς παράγοντες, για να παρέχουν ακριβείς προβλέψεις του κινδύνου για τα άτομα με κατάθλιψη και το άγχος.
Οι ερευνητές έχουν από καιρό κάνει μια προσέγγιση των ψυχικών διαταραχών, εξετάζοντας τη σχέση μεταξύ της λειτουργίας και της δομής του εγκεφάλου σε δεδομένα νευροαπεικόνισης.
Το 2017, o Dr. Schnyer, σε συνεργασία με τον Dr Peter Clasen (Πανεπιστήμιο της Ουάσιγκτον Ιατρική Σχολή), Dr Christopher Gonzalez (Πανεπιστήμιο της Καλιφόρνια, Σαν Ντιέγκο) και τον Dr Christopher Beevers (UT Austin), ολοκλήρωσαν την ανάλυσή της έρευνας , που αποδεικνύει ότι η προσέγγιση μηχανικής μάθησης στην ταξινόμηση των ατόμων με μείζονα καταθλιπτική διαταραχή , έχει περίπου 75% ακρίβεια!!!
Η μηχανική μάθηση είναι ένα υποπεδίο της επιστήμης των υπολογιστών που περιλαμβάνει την κατασκευή των αλγορίθμων που μπορεί να «μάθει» με την οικοδόμηση ενός μοντέλου και στη συνέχεια να κάνουν ανεξάρτητες προβλέψεις για τα νέα δεδομένα.
Ο τύπος της μηχανικής μάθησης που ο Schnyer και η ομάδα του δοκιμάζουν, ονομάζεται Support Vector Machine Learning.
Οι ερευνητές τοποθετούσαν ένα σύνολο παραδειγμάτων εκπαίδευσης,είτε σύνολα που ανήκουν υγιή άτομα ή σε εκείνους που έχουν διαγνωστεί με κατάθλιψη.
Ένας υπολογιστής συνέχεια σαρώνει τα δεδομένα.
Διαπιστώθηκαν λεπτές συνδέσεις μεταξύ διαφορετικών τμημάτων του εγκεφάλου και έχτισε ένα μοντέλο που εκχωρεί νέα παραδείγματα για μία ή την άλλη κατηγορία.
Τα αποτελέσματα είναι ενθαρρυντικά, αλλά δεν είναι ακόμη ξεκάθαρο αρκετά πως μπορεί για να χρησιμοποιηθεί ως κλινική μέτρηση. Ωστόσο, οι ερευνητές του paper πιστεύουν ότι με την προσθήκη περισσότερων στοιχείων - που σχετίζονται όχι μόνο με μαγνητική τομογραφία, αλλά και από τη γονιδιωματική και άλλους ταξινομητές - το σύστημα μπορεί να κάνει πρόβλεψη πάνω από 75%.
Κάθε μέρα βγαίνουν νέες έρευνες που συνδυάζουν τις νευροεπιστήμες με την Ψυχολογία. Αναμένουμε το επόμενο paper της επιστημονικής ομάδας αυτής και το συσχετισμό τους και με άλλες Ψυχικές νόσους.
Πηγή : David M Schnyer et al.,Evaluating the diagnostic utility of applying a machine learning algorithm to diffusion tensor MRI measures in individuals with major depressive disorder, University of Texas, 27 Μαρτίου 2017 , http://dx.doi.org/10.1016/j.pscychresns.2017.03.003
Επιμέλεια άρθρου:
Μέλος Βρετανικού Συλλόγου Ψυχολόγων
Νευροψυχολόγων , Coaching Ψυχολόγων
Μέλος Διεθνούς Συλλόγου Coaching Ψυχολόγων Εκπαιδευτής Προγραμμάτων Ψυχικής Υγείας Πανεπιστημίου Αιγαίου.
){kind=link}
0 σχόλια:
Δημοσίευση σχολίου
Μπορείτε να γράψετε την άποψή σας εδώ