Китайские учёные научили ИИ измерять тяжесть депрессии по ЭЭГ
Оценка тяжести течения депрессии в современной клинической практике до сих пор опирается преимущественно на субъективные шкалы и опросники, демонстрируя острый дефицит объективных количественных биомаркеров. Чтобы решить эту проблему, междисциплинарная группа китайских исследователей из Второй больницы Цзиньхуа и Колледжа математической медицины Чжэцзянского педагогического университета разработала модель глубокого обучения для автоматизированного и точного прогнозирования тяжести депрессии.
В основу исследования легли данные электроэнцефалографии (ЭЭГ) в состоянии покоя, собранные у 70 пациентов с подтверждённым депрессивным расстройством (DD) и 30 здоровых людей из контрольной группы (HC).
Предложенная авторами архитектура получила название PLI_GE_gMLP. В рамках единого фреймворка разработчики синергетически объединили три передовых технологических метода: индекс фазового запаздывания (Phase Lag Index, PLI), графовое эмбеддинг-моделирование (Graph Embedding, GE) и многослойный перцептрон (Gated Multilayer Perceptron, gMLP). Такое инженерное решение позволило математической модели эффективно улавливать как сложные пространственно-временные зависимости сигналов головного мозга, так и тонкие топологические особенности функциональной связности различных зон коры. В ходе сравнительных тестов ИИ-модель PLI_GE_gMLP продемонстрировала среднюю абсолютную ошибку (MAE) предсказания степени тяжести заболевания на уровне 4,30. Этот результат качественно превзошёл показатели традиционных алгоритмов машинного обучения, таких как Random Forest, XGBoost и LightGBM, а также известных архитектур глубокого обучения, включая ResNet и GENet.
Иллюстрация: Nano BananaОсобое внимание авторы уделили проблеме интерпретируемости разработанной модели. С помощью аналитического метода SHAP (Shapley Additive Explanations), оценивающего вклад каждого признака в итоговый результат, учёные смогли детально заглянуть внутрь «черного ящика» нейросети.
Выяснилось, что наиболее значимый вклад в точность прогнозов ИИ вносят показатели функциональной связности во фронтальной (лобной) и темпоральной (височной) долях головного мозга. При этом ключевыми оказались характеристики индекса фазового запаздывания именно в бета- и тета-частотных диапазонах ЭЭГ-активности. Выявленные алгоритмом закономерности напрямую согласуются с фундаментальными патологическими механизмами развития депрессивных расстройств, известными современной доказательной медицине.
Авторы официально заявили об отсутствии конфликта коммерческих или личных интересов. Финальный текст манускрипта перед итоговой публикацией пройдет дополнительную редактуру, однако представленные верифицированные данные уже открывают прямую дорогу к созданию доступных, недорогих и полностью независимых от человеческого фактора систем аппаратной экспресс-диагностики ментального здоровья.
© iXBT
