Нейросеть научилась определять аутизм по энцефалограмме

Найден способ с 95-процентной точностью выявлять расстройства аутистического спектра по данным электроэнцефалограммы (ЭЭГ). Это удалось сделать, совместив методы теории графов и алгоритмы машинного обучения, которые из массива данных по активности головного мозга здоровых и больных детей выбирали признаки, наиболее важные для отличия нормы от патологии.

В перспективе предложенный подход поможет диагностировать у детей аутизм в самом раннем возрасте.

Расстройства аутистического спектра сложно диагностировать на ранних стадиях (в первые годы жизни ребёнка) из-за того, что поведенческие и неврологические проявления этих заболеваний очень разнообразны. Ученые пытаются выявлять такие расстройства с помощью алгоритмов машинного обучения, которые способны анализировать большие объёмы данных электроэнцефалограмм (ЭЭГ), отражающих активность головного мозга в норме и при патологии. Однако существующие модели пока недостаточно эффективны — их достоверность обычно не превышает 80%, поэтому необходимы новые подходы, которые бы повысили точность диагностики.

Ученые из Балтийского федерального университета им. Иммануила Канта (Калининград), Института высшей нервной деятельности и нейрофизиологии РАН (Москва) и Северо-Западного политехнического университета (Сиань, КНР) предложили использовать контрастный вариационный автокодировщик — один из типов нейронных сетей — для того, чтобы выявить различия в функционировании головного мозга у здоровых детей и больных аутизмом.

Контрастный вариационный автокодировщик представляет собой алгоритм, который способен практически без стороннего обучения (его можно натренировать на очень маленьком наборе данных) классифицировать сигналы в зависимости от их свойств: например, отличить активность передачи нервных импульсов между разными отделами головного мозга. Благодаря этому автокодировщик может в наборе данных об электрической активности мозга выявить признаки, четко отличающие людей с аутизмом от здоровых. Однако для этого необходимо модифицировать подобные алгоритмы для работы с графами — математическими воплощениями реальных наборов данных, — что и сделали авторы работы.

Авторы сняли электроэнцефалограмму у 298 детей в возрасте от 2 до 16 лет, половина (149) из которых была здорова, а другая имела диагноз «аутизм». По полученным записям контрастный вариационный автокодировщик анализировал функциональные связи между различными отделами головного мозга. Сначала авторы «показали» алгоритму примерно 30% наборa обучающих данных: записи ЭЭГ и информацию о том, болен ли каждый испытуемый, у которого сняли электроэнцефалограмму.

В результате программа смогла вывести зависимость между тем или иным набором функциональных связей в мозге и нормой или патологией. Затем исследователи протестировали алгоритм на оставшихся данных. Эксперимент показал, что точность распознавания аутизма с помощью контрастного вариационного автокодировщика составляет 95%, при этом ложноположительных срабатываний практически не было, то есть алгоритм не причислял здоровых детей к

«В целом функциональные связи в мозге у здоровых людей и больных аутизмом очень похожи. Но разработанный нами алгоритм нацелен именно на поиск отличительных черт в группе детей с аутизмом, считая функциональные сети здоровых детей общими для обеих групп. Поэтому он позволил найти признаки, которые упускают другие алгоритмы машинного обучения», — рассказывает руководитель проекта Александр Храмов, доктор физико-математических наук, профессор, главный научный сотрудник Балтийского центра нейротехнологий и искусственного интеллекта Балтийского федерального университет имени Иммануила Канта.

Наибольшие различия между здоровыми детьми и больными аутизмом наблюдались в функциональных связях в лобной доле головного мозга: при расстройствах аутистического спектра эти связи оказались более слабыми, чем в норме. Такие изменения могут быть в значительной степени связаны с нарушениями развития нервной системы.

Так, согласно исследованиям, человеческий мозг развивается последовательно от затылочной, височной и теменной зон к лобной доле, которая отвечает за способность к планированию, принятию решений, рабочую память, когнитивный контроль. Поэтому у детей с нарушением развития лобной доли наблюдаются проблемы с этими поведенческими аспектами.

«Опираясь на полученные данные, мы предлагаем при диагностике расстройств аутистического спектра уделять больше внимания данным ЭЭГ, полученным из лобной доли. В перспективе предложенный нами подход на основе машинного обучения поможет выявлять заболевания аутистического спектра на более ранних стадиях, чем это возможно сейчас. При этом нужна будет только простая функциональная диагностика, такая как регистрация ЭЭГ детей в спокойном состоянии. В дальнейшем мы планируем развивать математические методы и подходы, связанные с медицинской диагностикой других заболеваний мозга. Также мы продолжим тестировать предложенные подходы при диагностике пациентов с коллегами-нейрофизиологами из Института высшей нервной деятельности и нейрофизиологии РАН», — подводит итог Александр Храмов.

Результаты исследования опубликованы в журнале Chaos, Solitons and Fractals.