Эрик В. Долан
Новое исследование, опубликованное в журнале Scientific Reports , представило перспективный диагностический инструмент, который может значительно сократить длительное время ожидания, с которым сталкиваются многие семьи при обследовании на аутизм и нарушения внимания. Исследовательская группа использовала искусственный интеллект для анализа едва заметных закономерностей в движениях рук людей при выполнении простых задач, с удивительной точностью определяя вероятность наличия у человека аутизма, дефицита внимания или и того, и другого. Этот метод, основанный на носимых датчиках движения и глубоком обучении, может в будущем стать инструментом быстрого и объективного скрининга, помогающим врачам отбирать детей для дальнейшего обследования.
Аутизм и синдром дефицита внимания классифицируются как нарушения нейроразвития, то есть они влияют на развитие и функционирование мозга. Расстройства аутистического спектра обычно характеризуются трудностями в социальном взаимодействии, коммуникативными особенностями и повторяющимся поведением. Синдромы дефицита внимания, которые могут включать гиперактивность, характеризуются трудностями с концентрацией внимания, импульсивностью и устойчивостью внимания. Хотя это разные диагнозы, они часто встречаются у одного и того же человека. Фактически, до 70% людей с диагнозом аутизм также демонстрируют признаки нарушений внимания. Несмотря на их распространённость, диагностика этих состояний остаётся длительным и сложным процессом, часто включающим интервью, анкетирование и поведенческие наблюдения, планирование которых может занять месяцы, а то и годы.
Исследователи под руководством Хорхе Хосе стремились разработать новый способ выявления различий в нейроразвитии, используя объективные данные. Они сосредоточились на самом простом поведении: тянущемся к чему-либо движении. Хотя такое движение может показаться простым, исследования показали , что едва заметные закономерности в движениях тела человека могут многое рассказать о том, как его мозг обрабатывает информацию.
Предыдущие исследования показали, что у детей с аутизмом или нарушениями внимания часто наблюдаются различия в планировании и координации движений, даже на ранних этапах развития. Эти выводы побудили исследователей задаться вопросом, может ли отслеживание движений с высоким разрешением в сочетании с машинным обучением выявлять закономерности, уникальные для различных нарушений нейроразвития.
«Я получил образование физика-теоретика. Но последние 20 лет я работаю в области количественной нейронауки. Теперь у меня есть лаборатория. Мы начали с изучения зрительной коры головного мозга нечеловекообразных приматов. Они выполняли простую процедуру — тянулись к целям, случайным образом появляющимся на сенсорном экране компьютера. Это тот же протокол, который мы использовали в нашей недавней работе», — пояснил Хосе, заслуженный профессор физики имени Джеймса Х. Руди в Университете Индианы.
В нашей работе 2013 года, посвящённой аутизму , мы обнаружили, что, наблюдая за естественными движениями в миллисекундном масштабе времени, вдали от невооружённого глаза, мы обнаружили, что движения каждого участника были совершенно разными, причём при аутизме они были более случайными, чем нейротипичными. Это побудило нас позднее, в 2018 году, в другой работе более подробно изучить характеристики участников с РАС и обнаружить количественный биомаркер, который напрямую коррелирует с качественными диагностическими инструментами, используемыми специалистами.
«В нашей настоящей работе мы расширили пул участников, включив в него людей с РАС, СДВГ, коморбидным СДВГ+РАС и нейротипичных лиц контрольной группы», — сказал Хосе. «Важно, что мы разработали методы глубокого обучения, которые позволяют диагностировать новых участников с высокой точностью всего за несколько минут. Наблюдая за их движениями в столь точных временных масштабах, мы также можем количественно оценить степень тяжести нарушений». Для своего нового исследования исследователи отобрали 92 участника, включая людей с аутизмом, синдромом дефицита внимания, обоими заболеваниями, а также группу сравнения без диагноза. Возраст участников варьировался от детского до юношеского. Ещё семнадцать человек были исключены из окончательного анализа из-за трудностей с выполнением задания, двигательных нарушений, не связанных с исследуемыми заболеваниями, или технических проблем с датчиками. Все участники смогли выполнить базовое задание на дотягивание, которое требовало от них коснуться цели на экране, убрать руку и повторить движение около 100 раз. Движение ведущей руки отслеживалось с помощью датчика высокой чёткости, размещённого в перчатке, который регистрировал данные с разрешением в миллисекунды.
В исследовании использовались два взаимодополняющих подхода к анализу данных. Во-первых, исследователи применили метод глубокого обучения к необработанным данным о движении. Искусственная нейронная сеть, обученная на тысячах пробных движений, научилась классифицировать каждого участника как аутиста, имеющего черты дефицита внимания, оба типа или ни одного из них. Архитектура сети основывалась на модели, хорошо подходящей для временных последовательностей, называемой клетками долговременной кратковременной памяти, которые способны фиксировать как краткосрочные, так и долгосрочные закономерности в данных.
Исследователи тщательно обучили и проверили модель с помощью перекрёстной проверки, а также протестировали её эффективность на данных, с которыми она ранее не сталкивалась. При комбинировании данных о различных типах движений, таких как угол наклона руки, скорость и ускорение, модель достигла диагностической точности около 70%. Хосе был удивлен «тем фактом, что глубокое обучение может обнаруживать присущие людям когнитивные информационные свойства с высокой точностью».
Помимо точности классификации, исследователи рассмотрели другой стандартный показатель машинного обучения, известный как площадь под кривой рабочей характеристики приёмника (AUC). Эта метрика оценивает, насколько хорошо модель различает категории. Модель показала особенно хорошие результаты при идентификации нейротипичных людей, достигнув значений AUC 0,95. Различение аутизма и синдрома дефицита внимания оказалось более сложной задачей, особенно для людей с обоими состояниями, что, как известно, представляет собой трудность даже в клинических условиях. Чтобы лучше понять глубинные различия в движении, команда также провела второй анализ, сосредоточенный на статистических свойствах данных о движении. После фильтрации электронного шума из сигналов датчиков они измерили степень случайности или изменчивости в движениях каждого человека. Использовались два ключевых статистических инструмента: фактор Фано, оценивающий вариабельность относительно среднего значения, и энтропия Шеннона, измеряющая непредсказуемость сигнала. Эти показатели давали числовой отпечаток стиля движения каждого участника, и более высокий уровень случайности, как правило, соответствовал более высокой выраженности симптомов, оцениваемой врачами.
Исследователи обнаружили, что у людей с диагнозами аутизма и дефицита внимания часто наблюдался промежуточный уровень вариабельности движений, совпадающий как с нейротипичными участниками, так и с участниками с одним диагнозом. У людей с более тяжёлыми симптомами аутизма наблюдались наиболее выраженные паттерны движений, что хорошо согласуется с результатами предыдущих исследований, связывающих различия в двигательной сфере с этим заболеванием.
Примечательно, что биометрические показатели оставались стабильными на протяжении всего сеанса, то есть для получения достоверных результатов зачастую было достаточно всего 30–60 попыток. Это говорит о том, что метод может быть пригоден для скрининга в реальных условиях, не требуя масштабного тестирования.
Новое исследование доказывает, «что изначально случайная природа движений человека, если смотреть на них подчас незаметно для человеческого глаза, содержит важную информацию об их когнитивных способностях», — рассказал Хосе в интервью PsyPost. Хотя результаты исследования обнадёживают, учёные признают некоторые ограничения. Размер выборки, хотя и больше, чем во многих предыдущих исследованиях подобного рода, всё же был относительно небольшим. В частности, группы с дефицитом внимания были представлены недостаточно хорошо, что может повлиять на эффективность обобщения модели на более широкие популяции.
«Это предварительные результаты, которые необходимо дополнительно подтвердить на гораздо более крупных группах нейроотличных участников», — отметил Хосе. Исследование также не учитывало, принимали ли участники лекарства, такие как стимуляторы, или другие препараты, которые могли бы повлиять на двигательную активность. Кроме того, модели глубокого обучения могут быть трудно интерпретируемы, и, хотя исследователи предприняли шаги для визуализации важности различных входных характеристик, процесс принятия решений алгоритмом остаётся своего рода «чёрным ящиком». Несмотря на эти ограничения, исследование предлагает многообещающее обоснование концепции нового направления в диагностике психического здоровья. Используя доступные носимые датчики и машинное обучение, врачи смогут получать ранние признаки нарушений нейроразвития, не дожидаясь полного психиатрического обследования.
Такие инструменты могут быть особенно полезны в сельской местности или регионах с ограниченным доступом к специалистам. Исследователи надеются, что с более крупными наборами данных их система сможет быть усовершенствована и расширена для отслеживания изменений с течением времени, например, того, как двигательные паттерны реагируют на лечение или развитие.
В перспективе команда планирует расширить подход, чтобы изучить, как эти показатели, основанные на движении, меняются с возрастом или приёмом лекарств. Конечная цель — не заменить традиционную диагностику, а предоставить врачам дополнительный инструмент для раннего выявления заболеваний и персонализированного лечения.
«Мы надеемся, что наши протоколы станут еще одним инструментом, который смогут использовать поставщики услуг для ранней оценки состояния нейроотличных участников, что сегодня крайне необходимо», — сказал Хосе.
Авторами исследования « Глубокая диагностика с помощью обучения и кинематическая оценка тяжести нейродивергентных расстройств » являются Хошрав П. Доктор, Чаунди Маккивер, Ди Ву, Адитья Фаднис, Мартин Х. Плавецки, Джон И. Нюрнбергер-младший и Хорхе В. Хосе.