Предисловие
Ниже приведено эссе, которое я написал для поступления в университет. Признаюсь, это довольно грубо. Я пытаюсь сжать два эссе в одно количество слов, и я не вдаюсь в такую глубину, как, возможно, мне бы хотелось.
Но это отражает важную трансформацию моих представлений о психическом здоровье. Поэтому я решил представить его.
Я вырос в полуконсервативной семье иммигрантов из среднего класса. На самом деле нет большой связи между таким воспитанием и психическим здоровьем, за исключением того факта, что мой отец был психиатром. Был ли он из тех психиатров, которые заставляли пациентов лежать на диване и признаваться в своих проблемах потолку? Неа. Он был самопровозглашенным биологическим психиатром; непреклонен в том, что у психиатрических патологий есть некий биологический корень, который, как только он будет обнаружен, станет ядром следующей великой психофармакологической революции.
Теперь он не верил, что человеческие связи и опыт не имеют значения. Его точка зрения в большей степени основывалась на разочаровании отсутствием прогресса (а иногда и разрушительными последствиями) психологических и фрейдистских психодинамических подходов. Видите ли, в психиатрии никогда не было такой «научной революции», как в других областях (например, в трансплантации сердца, диализе, пенициллине). Совершенно случайно было обнаружено, что наркотики оказывают трансформирующее воздействие на психическое здоровье. И даже сейчас понимание психофармакологии является зачаточным по сравнению с такими областями, как кардиология или онкология.
Введите машинное обучение. Я студент-медик, а не компьютерщик. Единственное, что я знаю о машинном обучении, это то, что оно может сделать радиологию устаревшей. Итак, когда появилась возможность написать эссе на 3000 слов об искусственном интеллекте и медицине, это была возможность, которая открыла совершенно другую перспективу. Я оставлю здесь свою личную болтовню и позволю вам прочитать (ниже номинала) работу ниже.
Применение ИИ в области психического здоровья
Введение
Влияние искусственного интеллекта (ИИ) на психическое здоровье можно оценить в контексте двух заболеваний: депрессии и шизофрении. Это два состояния, которые не связаны друг с другом и представляют собой две разные проблемы. Депрессия является одним из самых распространенных заболеваний во всем мире[1]. С другой стороны, шизофрения является одним из наиболее инвалидизирующих психических заболеваний[2].
Исследователи использовали методы визуализации, такие как МРТ и ЭЭГ, для разработки алгоритмов, которые могут диагностировать пациентов с депрессией и шизофренией. В таких областях, как исследования, ИИ применяется по-разному для обоих. При депрессии исследователи используют ИИ для подклассификации болезни и обнаружения новых подтипов депрессии на основе различий в нейроанатомии, выявленных алгоритмом машинного обучения[3]. При шизофрении ИИ пытается обнаружить молекулярные фенотипы генов, связанных с шизофренией[4]. ИИ также используется для прогнозирования суицида[5]: наиболее тяжелого последствия как депрессии, так и шизофрении[2,6].
Диагностика
Диагностика депрессии была серьезной проблемой в области психиатрии. Одна существенная проблема заключается в том, что, несмотря на то, что он широко распространен, его по-прежнему неправильно диагностируют из-за плохой чувствительности и специфичности [1]. Это может быть связано с тем, что современные методы диагностики неадекватны, поскольку диагноз не основан на объективных клинических измерениях, как это было подчеркнуто при обсуждении его неоднородности [2].
Искусственный интеллект широко применяется в области диагностики депрессии и шизофрении. В частности, был интерес к использованию ИИ для классификации нейровизуализации, чтобы определить, есть ли у пациента депрессия. Он делает это, создавая мультимодальные данные из изображений и используя их для разделения обучающей выборки пациентов и контрольной группы. Эффективность можно проверить с набором, который алгоритм не видел.
Одним из методов, который изучается для использования с ИИ в диагностике депрессии, является МРТ. В одном исследовании исследователи взяли диффузное тензорное МРТ у 44 здоровых людей из контрольной группы (HC) и 52 пациентов с большим депрессивным расстройством (БДР). Они обучили, а затем протестировали алгоритм машинного обучения опорных векторов (SVM ML), чтобы иметь возможность разделять пациентов на классы MDD или HC[7].
Они изучили различные паттерны связи во всем мозге; правильно; и левые полушария, чтобы найти алгоритм с наибольшей точностью классификации.
Средняя чувствительность алгоритма составила 82%, тогда как средняя специфичность алгоритмов составила 50%[7]. Из этого становится ясно, что алгоритм SVM не диагностировал пациентов с БДР. Это может быть связано с тем, что набор данных для обучения и тестирования взят с одного и того же сайта, что приводит к переоснащению. Как мы обсудим в сегменте «Более широкое обсуждение», это важное соображение для алгоритмов ИИ.
Существует мало данных о точности психиатрического диагноза для сравнения, однако одно исследование, посвященное точности диагностики БДР, показало, что их чувствительность составляет 50,1%, а специфичность - 81,3% [8]. Высокая специфичность и низкая чувствительность позволяют предположить, что врачи общей практики могут неправильно диагностировать депрессию.
Это говорит о том, что ИИ не несет единоличной ответственности за диагностику, а МРТ-диагностика может использоваться в сочетании с мнением медицинских работников для достижения наилучшего диагностического результата. Однако, чтобы знать это наверняка, необходимо провести исследования по оценке эффективности психиатрической диагностики, а также психиатрической диагностики с помощью ИИ.
Как и при депрессии, существуют доказательства роли нейроанатомии в развитии шизофрении. Некоторые данные свидетельствуют о том, что существуют нейроанатомические различия между пациентами с шизофренией и без нее [9]. Как мы уже видели в случае с депрессией, ИИ можно использовать в сочетании с методами измерения структуры и функций мозга для диагностики шизофрении.
Подобно использованию МРТ-изображений при депрессии, исследования вводили МРТ-сканирование пациентов с шизофренией в алгоритмы ИИ с целью классификации. В одном исследовании были использованы МРТ-изображения 941 пациента из 5 разных мест и использовались для обучения и проверки различных алгоритмов.[9]
В этой статье для обучения использовалось несколько сайтов, а затем сайты, которые алгоритм не видел для проверки (наборы 4 и 5). Это важно для проверки того, был ли алгоритм «переоснащенным», поскольку алгоритм использовал необобщаемые факторы, специфичные для набора, для диагностики пациентов. Учитывая, что тестовые наборы были с разных сайтов, переобучение привело бы к более низкой точности. Из этой таблицы видно, что AUC превышала 0,7 для объединенных данных из наборов 1–3 при сравнении с наборами 4 и 5.[9]
Однако, когда для обучения данных использовались отдельные сайты, точность была более изменчивой при тестировании данных с внешних сайтов. Среднее значение AUC для алгоритмов, протестированных на данных сайта 4, обученных на данных отдельных сайтов (то есть сайтов 1–3), составило 0,684/0,659, что недостаточно высоко, чтобы указывать на значимость. При сравнении его с алгоритмом при обучении на всех трех сайтах (0,731/0,738) он демонстрирует важность обучения и проверки на нескольких сайтах.[9]
Существует еще один метод визуализации, который можно использовать: электроэнцефалограмма (ЭЭГ). Приложение похоже на МРТ: на основе ЭЭГ разрабатывается алгоритм для диагностики пациентов с депрессией или шизофренией.
Есть свидетельства того, что данные ЭЭГ используются для создания алгоритмов ИИ, которые могут диагностировать депрессию и шизофрению. На самом деле, согласно одному систематическому обзору, 17,1% статей, посвященных применению ИИ при депрессии, использовали данные ЭЭГ.[10]
Точность ЭЭГ была более впечатляющей, чем МРТ. С 2012 года при использовании различных методов ИИ, включая машинное обучение и нейронные сети, точность алгоритмов ИИ/ЭЭГ превысила 80% при средней точности 94,4%.[11]
Что интересно, средняя точность алгоритма SVM (алгоритм ML, использованный в статье о депрессии МРТ) составляет 92,5% [11], что выше средней общей точности классификации МРТ, которая составляла 66,7% [7]. Добавьте к этому тот факт, что ЭЭГ дешевле и проще в использовании, и было бы разумно предположить, что если бы ИИ диагностировал депрессию, он делал бы это с использованием данных ЭЭГ. При этом превосходная локализация и возможности визуализации МРТ хорошо подходят для исследований с помощью ИИ, что мы рассмотрим позже.
Диагностика ЭЭГ с помощью ИИ также показывает многообещающие результаты при шизофрении. В одном исследовании рассматривались три разных типа данных ЭЭГ: данные исходного уровня, данные сенсорного уровня и их комбинация. Он обнаружил точность более 70% по всем трем модальностям.[12]
Что интересно, средняя точность увеличивается при использовании комбинации типов данных ЭЭГ, а не при использовании одного или другого. Это также видно по алгоритмам, использующим данные МРТ с разных сайтов для обучения своих алгоритмов. Важным отличием является то, что в этой статье показано, что использование нескольких модальностей дает более точные результаты, тогда как в другой статье предлагается использовать больше данных с нескольких сайтов, чтобы получить то же самое. Оба демонстрируют, что точность ИИ возрастает с увеличением сложности и объема данных.
Исследования
У нас нет нейропатологической модели депрессии. Было заподозрено, что есть нейроанатомическая основа для болезни, но результаты не были последовательными. Одно из объяснений этой неопределенности состоит в том, что депрессия — это однородное заболевание. [3] Депрессия неоднородна и может проявляться по-разному. Например, у пациента может быть диагностирован один и тот же диагноз БДР, несмотря на то, что у него разные проявления симптомов, поскольку, согласно NICE, для постановки диагноза требуется комбинация до девяти симптомов.
В одной знаковой статье использовалось неконтролируемое машинное обучение для подклассификации пациентов с депрессией на 4 группы не на основании их профиля симптомов, а на основе различий в изображениях фМРТ. Каждый подтип был основан на различиях в паттернах связи фМРТ в разных частях мозга (см. Рисунок 7) [13].
Они обнаружили, что там, где анатомические структуры между группами были схожими, эти области были связаны с наиболее распространенными симптомами депрессии («ангедония», «усталость» и «настроение»). Чем «ненормальнее» связь, тем тяжелее симптомы.
Они также смогли разработать уникальные профили симптомов, связанные с каждым подтипом (см. рис. 9) [13].
Чтобы проверить, были ли подтипы просто основаны на нерелевантных вариациях в выборке данных или они были основаны на истинных нейроанатомических различиях у пациентов с депрессией, исследователи использовали алгоритмы машинного обучения SVM для каждого подтипа и применили их к внешнему набору данных. [13]
Результаты, показанные на рисунке 10, показывают, что каждый подтип имеет точность более 80% и что алгоритм может правильно идентифицировать 84% пациентов с депрессией. Когда данные были тщательно отобраны (сегментированные столбцы), точность возросла до 93,3%.[13]
Это говорит о том, что подклассификация депрессии помогает повысить точность при сравнении этих результатов с результатами МРТ-исследования, показанными в разделе, посвященном депрессии. Это важно, поскольку диагностика была улучшена с применением исследований с помощью ИИ.
Для шизофрении есть еще одно приложение для исследований. Шизофрения является полигенетическим заболеванием[2]. Имеются данные о высокой вероятности наследования. Проблема заключается в понимании связи с генами, связанными с шизофренией, и фенотипами, за которые они отвечают. Понимание этой взаимосвязи может дать больше информации о развитии и патофизиологии заболевания.[4]
Если ген, который является частью биохимического процесса, связан с полигенетическим заболеванием, таким как шизофрения, это предполагает, что процесс связан с основной патологией заболевания. Если об этом ранее не было известно, тогда это может стать новым направлением исследований в этой области, которые могли бы раскрыть больше информации о патологии заболевания. С этой целью машинное обучение применяется к полигенетическим заболеваниям, таким как шизофрения.
В одной статье Bern M et al. сначала использовали машинное обучение, чтобы оценить важность некоторых шизофренических генов в возникновении заболевания. Затем они сравнили эти значимые гены, чтобы найти те, которые играют важную роль в подвижности клеток, фенотип, который, по их гипотезе, был связан с шизофренией.
Затем они определили 6 генов, в которых связь была самой сильной, с намерением изучить их влияние на клетку, результаты которого можно было бы использовать для дальнейшего развития нашего понимания связи подвижности клеток с шизофренией.
Однако эта техника не была универсально успешной. В статье Zheutlin et al. машинное обучение сравнивалось со стандартными моделями линейной регрессии, чтобы выяснить, могут ли они предсказывать фенотипы на основе 77 генотипов, которые, как известно, связаны с шизофренией. То, что они обнаружили, было отсутствием сравнимой разницы с доказательством того, что алгоритм машинного обучения был специфичен для конкретной задачи; он использовал особенности, уникальные для набора данных, для предсказания фенотипа, а не фактические различия в генотипе. Это важно, так как влияет на обобщаемость алгоритма в более широких исследованиях.
Однако эти два результата не могут быть взаимоисключающими. В статье Берна Метала и др. использовался готовый алгоритм под названием SINKSOURCE, который успешно применялся в предыдущем исследовании[4]. В статье Жетлина и др. использовалось моделирование случайного леса. [14]
Значение этого заключается в том, что разные алгоритмы машинного обучения могут различаться по своей надежности, поэтому необходимо провести дополнительные исследования, чтобы выделить алгоритмы, которые можно обобщить в клиническом контексте. Мы видели это, просматривая статью Ачарьи У. Р. [11], в которой показано, что разные алгоритмы ИИ (в данном случае нейронные сети и SVM ML) могут давать разную точность.
Прогноз
Ежегодно в мире от самоубийств умирают 800 000 человек. По данным Управления национальной статистики за 2018 год, в Великобритании было 6507 самоубийств, что эквивалентно 11,2 случая смерти на 100 000 человек. [15]
Это один из самых тяжелых исходов как шизофрении, так и депрессии. Согласно систематическому обзору факторов риска суицидальных мыслей, депрессия была третьей по частоте причиной суицидальных мыслей [6]. Самоубийство также является серьезным последствием шизофрении. Около 10% пациентов с шизофренией кончают жизнь самоубийством.[2]
Основное применение машинного обучения в предотвращении самоубийств — прогнозирование риска. Он способен одновременно учитывать разные факторы риска. Большинство современных методов оценки суицидального риска включают рассмотрение факторов риска изолированно. Машинное обучение может учитывать данные о множественных факторах риска человека и использовать эту информацию для определения алгоритма риска.
Чтобы добиться этого, некоторые исследователи использовали данные из электронных медицинских карт для создания алгоритмов машинного обучения, которые могли предсказать, подвергался ли пациент риску попытки самоубийства. Машинное обучение было применено к электронным медицинским картам 5167 пациентов, из которых 3250 имели доказательства попытки самоубийства. Они рассмотрели способность алгоритма предсказывать попытку, используя данные за разные промежутки времени от 7 до 720 дней до нее[5].
Результаты показали, что алгоритм смог успешно предсказать, совершит ли пациент попытку самоубийства. Алгоритм для всех временных интервалов от 7 дней до 2 лет до попытки имел AUC, который никогда не опускался ниже 0,8, что указывает на то, что классификация была значимой.
Интересным открытием было то, что, как и в исследовании, в котором рассматривались данные Facebook [17] для прогнозирования диагноза депрессии, алгоритм имел более высокую AUC, чем ближе данные были к попытке самоубийства. Это важно для программы скрининга. Если эта технология будет реализована, должны быть проведены исследования по разработке алгоритмов, которые используют те же данные, чтобы предсказать, насколько пациент близок к попытке самоубийства, которые будут использоваться параллельно. Это делается для того, чтобы определить, является ли предсказание алгоритма точным и попытка, вероятно, произойдет в ближайшее время, или же предсказание не столь точное, и попытка, вероятно, произойдет далеко. Близость события важна для степени вмешательства врача.
Затем в исследовании использовалась другая когорта для контрольных случаев. В то время как первоначальный алгоритм учитывал случаи, которые были классифицированы как попытки, но позже были признаны таковыми (около 1917 пациентов), новая контрольная когорта включала случайный отбор пациентов больницы (около 12 695 пациентов). Площадь под значениями кривой улучшилась до 0,92 за 7 дней до попытки и до 0,86 через 720 дней. [5]
Эффективность алгоритма действительно улучшается при использовании реальных клинических данных, что указывает на его применимость в качестве потенциального инструмента для скрининга самоубийств. Это доказывает, что алгоритм, используемый в этой статье, может быть обобщен на популяцию пациентов больницы. Однако обратите внимание, что снижение точности со временем до попытки более заметно, чем с курируемыми данными, что подчеркивает необходимость дополнительного алгоритма для оценки вероятного времени события, как упоминалось ранее.
В документе также была предпринята попытка использовать стандартный показатель статистического анализа, который дал только AUC 0,66 за 7 дней и 0,68 за 2 года до попытки [5]. Это демонстрирует способность машинного обучения дифференцировать пациентов на основе большего количества предикторов и давать более точный и значимый результат, чем то, что человек может сделать с инструментами статистического анализа. Это показывает, что преимущество машинного обучения является значительным.
Более широкое обсуждение
Очевидно, что тип данных, используемых для обучения этих алгоритмов, влияет на их точность, универсальность и стабильность. При сравнении статей Schyner DM et al и Rozycki et al мы увидели, что точность алгоритма увеличивается при использовании нескольких сайтов для обучения алгоритма. Если, как в статье Schyner DM et al., вы используете набор данных с небольшим размером выборки, а затем обучаете и тестируете алгоритм на этом наборе данных, вы увеличиваете риск «переобучения». Переобучение — это явление, когда алгоритм способен точно классифицировать данные, основываясь не на истинных различиях, а на различиях, которые существуют только в этом наборе данных. Это можно заметить при тестировании алгоритма на данных из отдельного набора. Если мы хотим использовать алгоритмы в клинической практике, эти алгоритмы должны быть обучены на данных популяции пациентов.
В отличие от других областей медицины, в области психического здоровья не проводилось исследований, сравнивающих эффективность алгоритмов с консультантами. Существуют обширные данные по другим специальностям медицины, где эффективность диагностики ИИ сравнивается с клиницистами в режиме реального времени.
В области психического здоровья исследований с таким прямым сравнением не существует. Как мы видели при обсуждении диагностики депрессии, очень мало исследований эффективности психиатрической диагностики или предсказания. Чтобы быть уверенными в том, что диагностика и прогнозирование с помощью ИИ безопасны и эффективны, в будущих исследованиях следует провести прямые сравнения с психиатрами.
Заключение
Понятно, что основное внимание в психиатрии с помощью ИИ уделяется оценке эффективности этих алгоритмов в сравнении с клиницистами в режиме реального времени. Что ясно, исходя из эффективности обсуждаемых алгоритмов, так это то, что использование ИИ для диагностики, исследования и прогнозирования состояний психического здоровья является перспективным.
Мы видели его нынешнее применение в преодолении барьера психиатрических исследований, которые, по-видимому, являются единственным аспектом психиатрии, в котором ИИ в настоящее время применяется. Возможно, мы сможем объяснить патологию психических заболеваний, таких как депрессия и шизофрения, с помощью грубой анатомии или молекулярной биологии и генетики.
Вероятно, мы также увидим ЭЭГ-диагностику депрессии и шизофрении с помощью ИИ, в то время как будущее МРТ-диагностики кажется менее определенным. Тем не менее, важно подчеркнуть, что изображения МРТ, особенно методы, которые оценивают связь и функцию, успешно применялись в исследованиях.
Последствия для алгоритма прогнозирования самоубийств выходят за рамки психиатрической клиники. Он может использоваться на рабочих местах и в школах персоналом, который может быть не обучен обнаруживать тех, кто подвергается риску. Вероятно, такой алгоритм будет бесценен не только в здравоохранении, но и за его пределами.
Подводя итог, можно сказать, что психиатрия с помощью ИИ демонстрирует значительные перспективы, но до ее внедрения в текущую практику необходимы дополнительные исследования в этой области.
Библиография
1. Всемирная организация здравоохранения. Предотвратить самоубийство. Доступно по адресу: https://www.who.int/mental_health/prevention/suicide/suicideprevent/en/. По состоянию на 8 марта 2020 г.
2. Мардер С.Р., Кэннон Т.Д. Шизофрения. Медицинский журнал Новой Англии, 2019 г., 31 октября; 381 (18): 1753–1761.
3. Дрисдейл А.Т., Гросеник Л., Даунар Дж., Данлоп К., Мансури Ф., Менг Ю. и другие. Биомаркеры связи в состоянии покоя определяют нейрофизиологические подтипы депрессии. Природная медицина, 2017 г., янв.; 23(1):28–38.
4. Берн М., Кинг А., Эпплуайт Д.А., Ритц А. Сетевое предсказание генов полигенных заболеваний, участвующих в подвижности клеток. Биоинформатика BMC, 20 июня 2019 г.; 20 (Приложение 12): 313.
5. Уолш К.Г., Рибейро Дж.Д., Франклин Дж.К. Прогнозирование риска попыток самоубийства с течением времени с помощью машинного обучения. Клиническая психология, 2017 г., май; 5 (3): 457–469.
6. Франклин Дж. К., Рибейро Дж. Д., Фокс К. Р., Бентли К. Х., Клейман Э. М., Хуан Х и др. Факторы риска суицидальных мыслей и поведения: метаанализ 50-летних исследований. Психологический бюллетень 2017 Feb; 143 (2): 187–232.
7. Шнайер Д.М., Класен П.С., Гонсалес С., Биверс С.Г. Оценка диагностической полезности применения алгоритма машинного обучения к измерениям диффузионного тензора МРТ у людей с большим депрессивным расстройством. Психиатрические исследования: нейровизуализация 2017; 264:1–9.
8. Митчелл А.Дж., Вейз А., Рао С. Клиническая диагностика депрессии в первичной медико-санитарной помощи: метаанализ. 2009.
9. Rozycki M, Satterthwaite TD, Koutsouleris N, Erus G, Doshi J, Wolf DH, et al. Анализ многосайтового машинного обучения обеспечивает надежную структурную визуализацию сигнатуры шизофрении, обнаруживаемой в различных популяциях пациентов и у отдельных людей. Бюллетень по шизофрении, 20 августа 2018 г.; 44(5):1035–1044.
10. Tran BX, McIntyre RS, Latkin CA, Phan HT, Vu GT, Nguyen HLT и соавт. Текущий ландшафт исследований по применению искусственного интеллекта в лечении депрессивных расстройств: библиометрический анализ. Международный журнал экологических исследований и общественного здравоохранения, 2019 г., 18 июня,;16(12):2150.
11. Ачарья У.Р., О С.Л., Хагивара Ю., Тан Д.Х., Адели Х., Субха Д.П. Автоматизированный скрининг депрессии на основе ЭЭГ с использованием глубокой сверточной нейронной сети. Компьютерные методы и программы в биомедицине, 2018 г., июль; 161: 103–113.
12. Shim M, Hwang H, Kim D, Lee S, Im C. Диагностика шизофрении на основе машинного обучения с использованием комбинированных функций ЭЭГ на уровне датчиков и на уровне источника. Исследование шизофрении 2016;176(2–3):314–319.
13. Национальный институт здравоохранения и передового опыта. Депрессия у взрослых: распознавание и лечение [Интернет]. [Лондон]: ХОРОШО; 2009 г. [обновлено в апреле 2016 г.; цитируется 16 декабря 2016 г.]. (Клинические рекомендации [CG90]). Доступно по адресу: https://www.nice.org.uk/guidance/cg90
14. Жетлин А.Б., Чекроуд А.М., Полиманти Р., Гелернтер Дж., Сабб Ф.В., Билдер Р.М. и соавт. Многомерный анализ паттернов отношений генотип-фенотип при шизофрении. Бюллетень по шизофрении, 20 августа 2018 г .; 44 (5): 1045–1052.
15. Управление национальной статистики. Самоубийства в Великобритании: регистрации 2018 г. 2019; Доступно по адресу: https://www.ons.gov.uk/peoplepopulationandcommunity/birthsdeathsandmarriages/deaths/bulletins/suicidesintheunitedkingdom/2018registrations. По состоянию на 8 марта 2020 г.
16. Eichstaedt JC, Smith RJ, Merchant RM, Ungar LH, Crutchley P, Preoţiuc-Pietro D, et al. Язык Facebook предсказывает депрессию в медицинских записях. Труды Национальной академии наук Соединенных Штатов Америки, 2018 г., 30 октября; 115 (44): 11203–11208.
17. Штейнхубль С.Р., Муза Э.Д., Тополь Э.Дж. Развивающаяся область мобильного здравоохранения. Научная трансляционная медицина 2015 15 апреля;7(283):283rv3.
