Болезнь Паркинсона теперь можно обнаружить с почти идеальной точностью

ЭЭГ и искусственный интеллект расшифровывают эмоциональную активность мозга, что позволяет с почти идеальной точностью диагностировать болезнь Паркинсона. (ФОТО: CC BY-SA 4.0)

Болезнь Паркинсона (БП) — прогрессирующее нейродегенеративное заболевание, поражающее более 10 миллионов человек во всем мире. Его отличительной чертой является потеря нейронов, вырабатывающих дофамин в черной субстанции головного мозга, что приводит к тремору, ригидности и другим двигательным нарушениям.

Помимо двигательных проблем, БП часто нарушает эмоциональные и когнитивные функции, затрудняя способность пациентов распознавать эмоции и реагировать на них. Для решения этих проблем в недавнем исследовании был предложен новый метод диагностики, использующий реакцию мозга на эмоциональные стимулы.

Совместная исследовательская группа из Университета Канберры и Кувейтского колледжа науки и технологий впервые разработала способ выявления БП с почти идеальной точностью.

Анализируя данные электроэнцефалографии (ЭЭГ), записанные во время просмотра участниками видеоклипов и изображений, вызывающих эмоции, исследователи достигли диагностических результатов с показателем F1, превышающим 0,97. Этот показатель — показатель, сочетающий точность и запоминаемость — свидетельствует о прорыве в неинвазивной объективной диагностике.

Обзор нашего конвейера. За предварительной обработкой ЭЭГ и извлечением низкоуровневых признаков, таких как SPV и CSP, следует передача этих признаков или промежуточных изображений/видеозаписей ЭЭГ в системы машинного и глубокого обучения для выполнения объемного и дискретного распознавания эмоций и классификации PD по сравнению с HC (HV и LV относятся к высокой и низкой валентности, в то время как HA и LA относятся к высокому и низкому возбуждению). Эмоции, относящиеся к каждой категории, описаны в разделе “Классификация валентностей”. (АВТОР: Intelligent Computing)

Традиционные методы диагностики БП в значительной степени основаны на клинических наблюдениях и самоотчетах пациентов, которые могут быть субъективными. Новый метод, основанный на ЭЭГ, позволяет обойти эту субъективность, сосредоточившись на неявной эмоциональной активности мозга. В отличие от явных реакций, таких как вербальная обратная связь, неявные сигналы невозможно контролировать сознательно, что позволяет получить достоверную информацию о функционировании центральной нервной системы.

Эмоции играют решающую роль в общении и социальном взаимодействии. Однако пациентам с БП часто трудно воспринимать эмоции, особенно те, которые связаны с определенными валентностями (приятными или неприятными) и уровнями возбуждения (эмоциональной интенсивностью).

Исследование подтвердило предыдущие выводы о том, что люди с БП испытывают трудности с распознаванием таких эмоций, как страх, отвращение и удивление. Они также могут путать эмоции противоположных валентностей, например, принимать грусть за счастье.

Записи ЭЭГ 20 пациентов с БП и 20 здоровых людей из контрольной группы фиксировали активность мозга, когда участники реагировали на эмоционально окрашенные стимулы. Исследователи извлекли ключевые дескрипторы ЭЭГ, включая спектральные векторы мощности (SPV) и общие пространственные паттерны (CSP).

SPV измеряют распределение мощности в различных частотных диапазонах, которые тесно связаны с эмоциональными состояниями. С другой стороны, CSP улучшают распознавание классов за счет максимального увеличения дисперсионных различий, что облегчает точную классификацию сигналов ЭЭГ.

Эти дескрипторы были преобразованы в визуальные представления, такие как топографические карты и временные схемы активности. Передовые системы машинного обучения, включая сверточные нейронные сети (CNNS), проанализировали эти представления для расшифровки эмоциональных реакций.

Такое сочетание нейротехнологий и искусственного интеллекта позволило исследователям с беспрецедентной точностью отличать пациентов с БП от здоровых людей.

В ходе исследования также было изучено, как пациенты с БП воспринимают эмоции. Несмотря на то, что у них была снижена чувствительность к валентности, они лучше понимали эмоциональное возбуждение. Это указывает на повышенное осознание эмоциональной интенсивности по сравнению с приятностью или отвращением, связанными с эмоциями. Такие выводы подчеркивают сложность нарушений эмоциональной обработки при БП и подчеркивают потенциал инструментов, основанных на ЭЭГ, в клинических условиях.

Базовая архитектура 1D/2D/3D-CNN. (АВТОР: Intelligent Computing)

Стимулы, вызывающие эмоции, такие как фильмы и музыка, ранее были полезны для изучения мозговой активности. Однако многие более ранние подходы основывались на ЭЭГ в состоянии покоя, что требовало от пациентов сохранять неподвижность в контролируемой среде. Это ограничивает экологическую обоснованность. Благодаря использованию динамических стимулов из реального мира, результаты текущего исследования позволяют получить более точное представление о повседневной эмоциональной обработке.

Интеграция SPV, CSP и CNN также способствует развитию области эмоциональных вычислений. Закодированные вручную ЭЭГ-дескрипторы, такие как SPV, уже давно используются для определения эмоций, но CNN предлагают автоматическое изучение когнитивных и эмоциональных паттернов, повышая точность распознавания эмоций. Например, 1D-, 2D- и 3D-CNN позволяют проводить пространственную классификацию эмоций, например, выявлять бинарную валентность и состояния возбуждения.

Одним из примечательных результатов исследования является возможность дифференцировать пациентов с БП исключительно на основе паттернов эмоциональной активности их мозга. Это согласуется с растущими доказательствами того, что частотные диапазоны ЭЭГ, такие как альфа—, бета— и гамма-волны, коррелируют с различными эмоциональными состояниями. Расшифровав эти сигналы, исследователи обнаружили специфические нейронные маркеры, связанные с БП, что позволяет глубже понять, как болезнь изменяет функции мозга.

По мере развития этой технологии мониторинг эмоционального состояния мозга может изменить клиническую практику. Неинвазивный характер ЭЭГ и высокое временное разрешение делают ее идеальным инструментом для ранней диагностики и мониторинга неврологических заболеваний. Более того, объединение данных ЭЭГ с анализом, управляемым искусственным интеллектом, повышает масштабируемость и применимость в различных медицинских учреждениях.

Бинарная классификация по валентности. (А) Чувствительность и специфичность с использованием данных PD в различных моделях. (Б) Показатели F1 с использованием данных PD и HC в различных моделях. (C) Чувствительность к данным о БП и ГК в различных моделях. (АВТОР: Intelligent Computing)

Исследование также подчеркивает более широкое значение диагностики, ориентированной на эмоции. Выявление эмоционального дефицита у пациентов с БП может привести к целенаправленным вмешательствам, улучшению социальных взаимодействий и качества жизни. Кроме того, использование систем машинного обучения для анализа нейронных данных представляет собой значительный шаг вперед в персонализированной медицине, прокладывая путь к разработке индивидуальных стратегий лечения.

Хотя текущее исследование проводилось на относительно небольшой выборке, его результаты закладывают основу для более масштабных исследований. Будущие исследования могут усовершенствовать эти методы, распространив их применение на другие нейродегенеративные заболевания и расстройства настроения. Составив карту нейронных основ эмоциональной обработки, ученые смогут лучше понять, как различные состояния влияют на мозг.

Это новаторское исследование, опубликованное в журнале Intelligent Computing, демонстрирует потенциал объединения неврологии, искусственного интеллекта и эмоциональных вычислений для улучшения диагностики БП.

Поскольку исследователи продолжают внедрять инновации, они надеются перенести эти достижения из лаборатории в клиническую практику, что принесет пользу миллионам людей по всему миру.