Ringkasan: Para peneliti telah mengembangkan alat pembelajaran mesin yang secara akurat mengidentifikasi individu yang berisiko tinggi terkena psikosis menggunakan pemindaian otak MRI. Pendekatan inovatif ini, yang mencapai tingkat akurasi 85% saat dilatih dan 73% saat menggunakan data baru, menawarkan jalan yang menjanjikan untuk intervensi dini pada psikosis dan berpotensi meningkatkan hasil pengobatan.
Lebih dari 2.000 peserta dari 21 lokasi global ikut serta dalam penelitian ini, yang menggarisbawahi potensi alat ini dalam berbagai situasi klinis. Dengan mendeteksi perbedaan struktural di otak sebelum timbulnya psikosis, alat ini mewakili kemajuan signifikan dalam perawatan psikiatris, dengan tujuan untuk memberikan prediksi dan strategi pencegahan yang lebih baik.
Fakta-fakta kunci:
Pengklasifikasi pembelajaran mesin dapat membedakan antara individu yang berisiko tinggi terkena psikosis dan mereka yang tidak berisiko menggunakan pemindaian otak MRI dengan akurasi tinggi. Identifikasi dini risiko psikosis menggunakan pemindaian MRI dapat menghasilkan intervensi yang lebih efektif dan mengurangi dampaknya terhadap kehidupan individu. Penelitian ini menyoroti perlunya pengembangan lebih lanjut untuk memastikan penerapan pengklasifikasi dalam kumpulan data dan pengaturan klinis yang berbeda.
Sumber: Universitas Tokyo
Permulaan psikosis dapat diprediksi sebelum terjadi menggunakan alat pembelajaran mesin yang dapat memisahkan pemindaian otak MRI antara individu sehat dan individu yang berisiko mengalami episode psikotik.
Sebuah konsorsium internasional termasuk peneliti dari Universitas Tokyo menggunakan pengklasifikasi tersebut untuk membandingkan pemindaian lebih dari 2.000 orang dari 21 lokasi di seluruh dunia. Sekitar setengah dari peserta diidentifikasi secara klinis berisiko tinggi terkena psikosis.
Dengan menggunakan data pelatihan, pengklasifikasi tersebut 85% akurat dalam membedakan antara orang-orang yang tidak berisiko dan mereka yang kemudian mengalami gejala psikotik yang nyata.
Dengan menggunakan data baru, akurasinya adalah 73%. Alat ini dapat berguna dalam situasi klinis di masa depan karena meskipun sebagian besar orang yang mengalami psikosis dapat pulih sepenuhnya, intervensi lebih awal biasanya memberikan hasil yang lebih baik dengan dampak negatif yang lebih sedikit terhadap kehidupan orang tersebut.
Siapa pun dapat mengalami episode psikotik, yang biasanya melibatkan delusi, halusinasi, atau pemikiran tidak terorganisir. Tidak ada penyebab tunggal, namun dapat dipicu oleh penyakit atau cedera, trauma, penggunaan obat-obatan atau alkohol, pengobatan, atau kecenderungan genetik.
Meski menakutkan atau mengganggu, psikosis dapat diobati dan kebanyakan orang bisa sembuh. Karena usia yang paling umum terjadinya episode pertama adalah remaja atau dewasa awal, ketika otak dan tubuh sedang mengalami perubahan besar, akan sulit untuk mengidentifikasi remaja yang membutuhkan bantuan.
“Paling banyak, hanya 30% dari individu yang secara klinis berisiko tinggi kemudian mengalami gejala psikotik yang nyata, sedangkan 70% sisanya tidak,” jelas Associate Professor Shinsuke Koike dari Sekolah Pascasarjana Seni dan Sains di Universitas Tokyo.
Oleh karena itu, dokter memerlukan bantuan untuk mengidentifikasi mereka yang akan memiliki gejala psikotik, tidak hanya menggunakan gejala subklinis seperti perubahan pemikiran, perilaku dan emosi, tetapi juga menggunakan beberapa penanda biologis.
Sebuah konsorsium peneliti telah berkolaborasi untuk menciptakan alat pembelajaran mesin yang menggunakan pemindaian MRI otak untuk mengidentifikasi orang yang berisiko terkena psikosis sebelum penyakit itu dimulai. Penelitian sebelumnya yang menggunakan MRI otak menunjukkan bahwa perbedaan struktural terjadi di otak setelah timbulnya psikosis.
Namun, ini dilaporkan pertama kalinya perbedaan teridentifikasi pada otak mereka yang berisiko tinggi namun belum mengalami psikosis.
Sebuah tim yang terdiri dari 21 institusi berbeda di 15 negara mengumpulkan kelompok peserta remaja dan dewasa muda yang besar dan beragam.
Menurut Koike, meneliti gangguan psikotik menggunakan MRI dapat menjadi tantangan karena perubahan dalam perkembangan otak dan mesin MRI membuat sulit untuk mendapatkan hasil yang sangat akurat dan sebanding. Remaja juga mungkin kesulitan membedakan antara perubahan yang terjadi akibat perkembangan tipikal dan perubahan yang terjadi akibat penyakit mental.
“Model MRI yang berbeda memiliki parameter berbeda yang juga mempengaruhi hasilnya,” jelas Koike.
“Seperti halnya kamera, alat dan spesifikasi pencitraan yang berbeda menghasilkan gambar yang berbeda dari pemandangan yang sama, dalam hal ini otak partisipan. Namun, kami dapat memperbaiki perbedaan ini dan membuat pengklasifikasi yang dapat memprediksi timbulnya psikosis.”
Peserta dibagi menjadi tiga kelompok orang yang secara klinis berisiko tinggi: mereka yang kemudian mengembangkan psikosis; mereka yang tidak menderita psikosis; dan orang-orang dengan status tindak lanjut yang tidak pasti (total 1.165 orang untuk ketiga kelompok) dan kelompok kontrol sehat keempat sebagai perbandingan (1.029 orang). Dengan menggunakan pemindaian, para peneliti melatih algoritma pembelajaran mesin untuk mengidentifikasi pola anatomi otak peserta.
Dari keempat kelompok ini, para peneliti menggunakan algoritma untuk mengklasifikasikan peserta menjadi dua kelompok utama: kontrol yang sehat dan mereka yang berisiko tinggi yang kemudian mengembangkan gejala psikotik yang nyata.
Dalam pelatihan, alat ini 85% akurat dalam mengklasifikasikan hasil, sedangkan pada tes akhir yang menggunakan data baru, alat ini 73% akurat dalam memprediksi peserta mana yang berisiko tinggi terkena psikosis.
Berdasarkan hasil tersebut, tim percaya bahwa memberikan pemindaian MRI otak kepada orang-orang yang diidentifikasi berisiko tinggi secara klinis mungkin berguna untuk memprediksi timbulnya psikosis di masa depan.
“Kami belum menguji apakah pengklasifikasi akan bekerja dengan baik pada kumpulan data baru. Karena beberapa perangkat lunak yang kami gunakan adalah yang terbaik untuk kumpulan data tetap, kami perlu membuat pengklasifikasi yang dapat mengklasifikasikan MRI dengan kuat dari lokasi dan mesin baru, sebuah tantangan yang ditimbulkan oleh proyek ilmu otak nasional di Jepang yang disebut Brain/ MINDS Beyond. sekarang untuk ini,” kata Koike.
“Jika kita berhasil melakukan hal ini, kita dapat membuat pengklasifikasi yang lebih kuat untuk kumpulan data baru yang kemudian dapat diterapkan pada dunia nyata dan pengaturan klinis rutin.”
Pendanaan: Penelitian ini sebagian didukung oleh AMED (nomor hibah JP18dm0307001, JP18dm0307004 dan JP19dm0207069), JST Moonshot R&D (JPMJMS2021), JSPS KAKENHI (JP23H03877 dan SZP JP21H) Penelitian ini juga didukung oleh International Research Center for Neurointelligence (WPI-IRCN), Universitas Tokyo.
Tentang laporan penelitian psikosis ini
Pengarang: Joseph Krisher
Sumber: Universitas Tokyo
Kontak: Joseph Krisher – Universitas Tokyo
Gambar: Gambar dikreditkan ke Neuroscience News
Penelitian Asli: Akses terbuka.
Shinsuke Koike dkk: “Menggunakan ukuran neuroimaging otak struktural untuk memprediksi timbulnya psikosis pada individu dengan risiko klinis tinggi”. Psikiatri molekuler
Abstrak
Menggunakan langkah-langkah neuroimaging otak struktural untuk memprediksi timbulnya psikosis pada individu yang secara klinis berisiko tinggi
Pendekatan pembelajaran mesin yang menggunakan pencitraan resonansi magnetik struktural (sMRI) mungkin informatif untuk klasifikasi penyakit, meskipun kemampuannya untuk memprediksi psikosis sebagian besar masih belum diketahui.
Kami membuat model dengan individu di CHR yang kemudian mengembangkan psikosis (CHR-PS+) dari kontrol sehat (HC), yang mungkin berbeda satu sama lain.
Kami juga menilai apakah kami dapat membedakan individu CHR-PS+ dari mereka yang tidak kemudian mengembangkan psikosis (CHR-PS-) dan mereka yang status tindak lanjutnya tidak pasti (CHR-UNK). Gambar otak MRI struktural berbobot T1 dari 1.165 subjek di CHR (CHR-PS+, N= 144; CHR-PS-, N= 793; dan CHR-UNK, N= 228) dan 1029 HC, diperoleh dari 21 lokasi.
Kami menggunakan ComBat untuk menyelaraskan pengukuran volume subkortikal, ketebalan kortikal, dan data luas permukaan dan mengoreksi efek non-linier usia dan jenis kelamin menggunakan model aditif umum. CHR-PS+ (N= 120) dan HC (N= 799) data dari 20 situs berfungsi sebagai kumpulan data pelatihan yang kami gunakan untuk membuat pengklasifikasi.
Kumpulan data validasi eksternal digunakan pada sampel yang tersisa untuk mengevaluasi kinerja pengklasifikasi (tes, validasi independen, dan kelompok independen). [CHR-PS- and CHR-UNK] kumpulan data). Akurasi pengklasifikasi pada kumpulan data pelatihan dan validasi independen masing-masing adalah 85% dan 73%.
Pengukuran luas permukaan kortikal regional—termasuk pengukuran dari korteks frontal superior kanan, temporal superior kanan, dan insular bilateral—berkontribusi secara signifikan terhadap klasifikasi CHR-PS+ dari HC. Individu CHR-PS- dan CHR-UNK lebih sering diklasifikasikan sebagai HC dibandingkan dengan CHR-PS+ (tingkat klasifikasi ke HC: CHR-PS+, 30%; CHR-PS-, 73%; CHR-UNK, 80%).
Kami menggunakan sMRI multisitus untuk melatih pengklasifikasi untuk memprediksi timbulnya psikosis pada individu dengan CHR dan terbukti memprediksi CHR-PS+ dalam sampel independen.
Hasilnya menunjukkan bahwa ketika mempertimbangkan perkembangan otak remaja, pemindaian MRI dasar pada individu dengan CHR mungkin berguna untuk mengidentifikasi prognosis mereka.
Studi prospektif di masa depan akan diperlukan untuk mengetahui apakah pengklasifikasi tersebut benar-benar berguna dalam lingkungan klinis.
+ There are no comments
Add yours