Ученые Института проблем машиноведения РАН совместно со специалистами Института мозга человека РАН и швейцарского фонда Brain and Trauma Foundation разработали новый метод выявления шизофрении по скрытым компонентам электрической активности мозга. Как сообщили ТАСС в пресс-службе ИПМаш РАН, технология позволила добиться высокой точности диагностики при помощи машинного обучения.
Читайте: В Госдуме готовят новые запреты: что может измениться уже в ближайшее время
В основе подхода лежит метод так называемого «слепого разделения источников». С его помощью исследователи математически разделяют мозговые сигналы на отдельные скрытые компоненты, даже если они накладываются друг на друга во времени. Стажер-исследователь ИПМаш РАН Надежда Шанарова пояснила, что новый этап работы был направлен на повышение точности диагностики за счет выделения латентных источников сигналов, связанных с деятельностью различных нейронных сетей мозга.
Шизофрения остается одним из наиболее тяжелых психических заболеваний и затрагивает около одного процента населения. Почти половина пациентов сталкивается с пожизненной инвалидизацией. Одной из основных проблем специалисты называют сложность раннего и точного выявления болезни, поскольку диагностика во многом строится на клинических беседах и опросниках, допускающих неоднозначную трактовку симптомов.
В исследовании приняли участие 68 пациентов с диагнозом шизофрения и 132 здоровых добровольца. Во время эксперимента участники выполняли зрительный тест, оценивающий когнитивный контроль, концентрацию внимания и способность сдерживать импульсивные действия. Именно эти функции часто нарушаются у пациентов с данным заболеванием.
Полученные сигналы электроэнцефалографии исследователи преобразовали в 11 отдельных компонент. После этого ученые сравнили их между группами испытуемых и определили временные интервалы, где различия были наиболее выраженными. Из этих участков извлекались наиболее информативные признаки, которые затем дополнялись поведенческими данными.
В результате система машинного обучения показала чувствительность 96,7 процента и специфичность 97,7 процента. Это означает, что модель смогла правильно распознать практически всех пациентов с заболеванием и при этом свела к минимуму количество ложноположительных результатов среди здоровых участников исследования.
В ИПМаш РАН подчеркнули, что применение метода «слепого разделения источников» в сочетании с технологиями машинного обучения позволило значительно повысить точность инструментальной диагностики по сравнению с традиционным анализом ЭЭГ. Ученые также считают, что выявленные скрытые компоненты могут помочь в разработке новых методов терапии, включая нейрообратную связь и неинвазивную стимуляцию мозга.
Читайте также:
- Новые правила ЖКХ вступили в силу: россиянам грозит перерасчет платежей с 1 мая
- Новое исследование разрушило главный миф о силе любви и частоте секса
- Названо 5 законных способов реально увеличить пенсию в 2026 году
