یادگیری ماشین نشانه‌های هشداردهنده اولیه افسردگی را در اسکن‌های مغزی شناسایی کرد
پژوهشی جدید با ترکیب مدل‌سازی رایانه‌ای و داده‌های تصویربرداری مغزی نشان داده است که اتکای بیش از حد مغز به انتظارات و برداشت‌های پیشین هنگام تشخیص حالات چهره، می‌تواند نشانه‌ای از خطر ابتلا به افسردگی باشد. پژوهشگران با بررسی نحوه پردازش چهره‌های خشمگین در مغز انسان، الگویی ریاضی از اختلال در پردازش اطلاعات دیداری شناسایی کرده‌اند که ممکن است تا چهار سال پیش از ظهور علائم بالینی آشکار شود. نتایج این پژوهش در نشریه علمی Science Advances منتشر شده است.
اختلال افسردگی اساسی میلیون‌ها نفر را در سراسر جهان تحت تأثیر قرار می‌دهد و درمان آن پس از تثبیت بیماری اغلب دشوار است. به همین دلیل، شناسایی زودهنگام افراد در معرض خطر، یکی از اولویت‌های مهم متخصصان سلامت عمومی به شمار می‌رود. با این حال، پیش‌بینی اینکه چه کسانی در آینده به افسردگی مبتلا خواهند شد، همچنان عمدتاً بر علائمی که افراد خود گزارش می‌کنند و عوامل خطر محیطی متکی است. شناسایی نشانگرهای زیستی که پیش از احساس بیماری، آسیب‌پذیری فرد را آشکار کنند، می‌تواند به بهبود راهکارهای پیشگیری کمک کند.
اختلالات سلامت روان اغلب با تغییر در نحوه پردازش هیجان‌ها همراه‌اند؛ برای مثال، فرد ممکن است نشانه‌های اجتماعی مبهم را منفی یا تهدیدآمیز تفسیر کند. بر اساس نظریه‌های مطرح روان‌شناسی، مغز برای شکل دادن به تجربه‌های هیجانی، اطلاعات خام حسی، مانند جزئیات دیداری چهره افراد، را با مفاهیم انتزاعی ذخیره‌شده در حافظه تفسیر می‌کند. پژوهشگران در سال‌های اخیر نواحی مختلفی از مغز را که با افسردگی ارتباط دارند شناسایی کرده‌اند، اما این الگوهای توصیفی هنوز نمی‌توانند سازوکارهای دقیق دخیل در شکل‌گیری بیماری را توضیح دهند.
هان لو از دانشگاه شنژن و چیانگ لو از دانشگاه فودان تلاش کردند دریابند ترکیب اطلاعات حسی با مفاهیم انتزاعی موجود در حافظه چگونه ممکن است در افراد مستعد افسردگی دچار اختلال شود. فرضیه آن‌ها این بود که قشر بینایی، یعنی بخشی از مغز که مسئول پردازش اطلاعات دیداری است، می‌تواند یکی از نخستین نقاط بروز اختلال باشد؛ جایی که پیام‌های مربوط به تهدیدهای اجتماعی دستخوش تحریف می‌شوند. پژوهشگران برای آزمودن این فرضیه، یک شبیه‌سازی ریاضی طراحی کردند تا نحوه یادگیری و تشخیص حالات هیجانی چهره در مغز انسان را بازسازی کنند.
در نخستین مرحله، پژوهشگران تصاویر مغزی حاصل از تصویربرداری تشدید مغناطیسی کارکردی یا fMRI را در ۱۳۳۲ شرکت‌کننده ۱۹ ساله بررسی کردند. این افراد در یک مطالعه جمعیت‌محور اروپایی به نام IMAGEN حضور داشتند. روش fMRI با اندازه‌گیری تغییرات جریان خون در مغز، نواحی دارای فعالیت عصبی را شناسایی می‌کند. اسکن‌های مورد بررسی، فعالیت مغزی نوجوانان را هنگام تماشای ویدئوهای کوتاهی ثبت کرده بودند که در آن‌ها حالت چهره افراد به‌تدریج از حالت خنثی به خشمگین تغییر می‌کرد.
گروه پژوهشی با استفاده از یک الگوریتم یادگیری ماشین، بازنمایی ریاضی نحوه رمزگذاری چهره‌های خشمگین در قشر بینایی هر شرکت‌کننده را استخراج کرد. پژوهشگران این الگوی مشخص از فعالیت عصبی را «کد بینایی» نامیدند. سپس شرکت‌کنندگان را بر اساس کارایی این کدها به دو گروه تقسیم کردند: گروهی با رمزگذاری دیداری معمول و بسیار کارآمد و گروهی دیگر که پردازش اطلاعات دیداری در آن‌ها ناکارآمدتر و همراه با نویز بیشتری بود.
نوجوانانی که در گروه دارای پردازش دیداری کم‌کارآمد قرار داشتند، در پرسش‌نامه‌های بالینی علائم هیجانی بیشتری، از جمله اضطراب و خلق پایین، گزارش کردند. این ارتباط نشان می‌داد که بازنمایی ضعیف‌تر چهره‌های خشمگین در مغز با آشفتگی هیجانی همراه است. پژوهشگران دریافتند که کیفیت پایین رمزگذاری اطلاعات دیداری در مغز، ارتباط مستقیمی با وجود علائم هیجانی دارد.
پژوهشگران برای درک سازوکار محاسباتی این اختلال در پردازش دیداری، یک شبکه عصبی عمیق طراحی کردند. شبکه عصبی عمیق نوعی مدل هوش مصنوعی است که از الگوریتم‌های به‌هم‌پیوسته تشکیل شده و ساختار آن از مغز انسان الهام گرفته است. مدل طراحی‌شده دو مسیر پردازشی مجزا داشت: یک مسیر اطلاعات خام دیداری تصاویر را پردازش می‌کرد و مسیر دیگر دانش مفهومی و انتزاعی مربوط به هیجان‌های مختلف را در خود نگه می‌داشت.
در فرایند طبیعی ادراک انسان، مغز از دانش انتزاعی برای هدایت و تسریع پردازش اطلاعات دیداری استفاده می‌کند و به این ترتیب، فرد می‌تواند حالت چهره دیگران را به‌سرعت تشخیص دهد. پژوهشگران شبکه مصنوعی خود را به‌گونه‌ای برنامه‌ریزی کردند که همین فرایند را تقلید کند؛ به این صورت که هنگام یادگیری تشخیص حالات چهره، مسیر مفهومی بتواند فعالیت مسیر دیداری را تنظیم کند. مقایسه کدهای ریاضی درونی شبکه مصنوعی با داده‌های اسکن مغزی انسان، همخوانی چشمگیری میان آن‌ها نشان داد.
این شباهت حاکی از آن بود که مدل توانسته است فرایند ادراک دیداری چهره‌های خشمگین را با موفقیت بازسازی کند. پژوهشگران سپس آزمایشی روی مدل انجام دادند و میزان تأثیر مسیر مفهومی بر مسیر دیداری را تغییر دادند. آن‌ها قدرت این تنظیم‌گری را به‌صورت نظام‌مند افزایش و کاهش دادند تا واکنش شبکه را در شرایط مختلف بررسی کنند.
زمانی که شدت تنظیم‌گری در سطحی میانه قرار داشت، مدل به بهترین عملکرد خود در تشخیص هیجان‌ها می‌رسید. اما هنگامی که پژوهشگران مدل را وادار کردند بیش از اندازه تحت تأثیر مفاهیم انتزاعی قرار بگیرد، شبکه شروع به تشخیص اشتباه چهره‌های خنثی به‌عنوان چهره‌های خشمگین یا غمگین کرد. در این وضعیت، اتکای بیش از حد به مفاهیم ذهنی باعث می‌شد جزئیات واقعی اطلاعات دیداری نادیده گرفته شوند و نوعی سوگیری منفی در پردازش محاسباتی شکل بگیرد.
کدهای درونی این مدل مصنوعی که تحت تنظیم‌گری بیش از حد قرار گرفته بود، شباهت زیادی به الگوهای مغزی ناکارآمد و پرنویز نوجوانانی داشت که علائم هیجانی بیشتری گزارش کرده بودند. این یافته نشان می‌دهد «تنظیم‌گری بیش از حد»، یعنی وضعیتی که در آن باورها و انتظارات قبلی بر اطلاعات واقعی دریافت‌شده از حواس غلبه می‌کنند، ممکن است یکی از سازوکارهای ایجادکننده سوگیری‌های هیجانی منفی باشد.
پژوهشگران با تکیه بر نتایج این شبیه‌سازی، یک نشانگر محاسباتی طراحی کردند که میزان تنظیم‌گری بیش از حد در پردازش دیداری هر شرکت‌کننده را بر اساس اسکن مغزی او در ۱۹ سالگی اندازه‌گیری می‌کرد. آن‌ها سپس چهار سال بعد، وضعیت ۷۲۵ نفر از این شرکت‌کنندگان را دوباره بررسی کردند. هدف این بود که مشخص شود آیا این نشانگر می‌تواند بروز مشکلات سلامت روان را در آینده پیش‌بینی کند یا خیر.
در میان جوانانی که در ۱۹ سالگی هیچ‌گونه علائم بالینی نداشتند، نشانگر ریاضی توانست پیش‌بینی کند کدام افراد تا ۲۳ سالگی دچار سطوح بالایی از علائم هیجانی خواهند شد. عملکرد این مدل پیش‌بینی از روش‌های متداول پایه که تنها به اطلاعات جمعیت‌شناختی و میزان کلی فعالیت مغزی متکی هستند، بهتر بود. این نتیجه نشان می‌دهد که سازوکار تنظیم‌گری بیش از حد ممکن است پیش از آغاز علائم هیجانی در مغز وجود داشته باشد.
پژوهشگران برای بررسی اینکه آیا این سازوکار محاسباتی به‌طور خاص با افسردگی ارتباط دارد، داده‌های ژنتیکی شرکت‌کنندگان مطالعه IMAGEN را نیز تحلیل کردند. آن‌ها ارتباط احتمالی میان نشانگر تنظیم‌گری بیش از حد و گونه‌های ژنتیکی مرتبط با اختلالات مختلف روان‌پزشکی را بررسی کردند. نتایج نشان داد که نشانگر پردازش دیداری بیش از حد تنظیم‌شده، با یک گونه ژنتیکی مشخص مرتبط با اختلال افسردگی اساسی ارتباط دارد. این گونه ژنتیکی روی ژنی قرار گرفته است که در رشد و تکامل مغز نقش دارد.
این نشانگر همچنین با امتیاز خطر چندژنی افسردگی در شرکت‌کنندگان ارتباط داشت. امتیاز خطر چندژنی عددی است که اثر برآوردشده مجموعه‌ای از گونه‌های ژنتیکی مختلف را بر احتمال ابتلای فرد به یک بیماری خلاصه می‌کند. در مقابل، نشانگر دیداری هیچ ارتباطی با خطر ژنتیکی اختلال مصرف الکل یا اختلالات خوردن نشان نداد. این ویژگی اختصاصی، فرضیه ارتباط ویژه سازوکار تحریف پردازش دیداری با افسردگی را تقویت کرد.
در مرحله پایانی، پژوهشگران نشانگر خود را روی مجموعه داده‌های بالینی مستقلی از جوانان آزمایش کردند تا مشخص شود آیا این الگو در افرادی که بیماری آن‌ها تشخیص داده شده نیز وجود دارد یا خیر. آن‌ها اسکن‌های مغزی ۱۳۴ بیمار مبتلا به اختلال افسردگی اساسی و ۶۲ فرد سالم در گروه کنترل را بررسی کردند. نتایج نشان داد که میزان نشانگر تنظیم‌گری بیش از حد در بیماران مبتلا به افسردگی، در مقایسه با افراد سالم بیشتر است.
این نشانگر توانست افراد مبتلا به افسردگی را از افراد فاقد این اختلال به‌درستی تفکیک کند. با این حال، هنگامی که همین نشانگر در بیماران مبتلا به اختلال مصرف الکل، بی‌اشتهایی عصبی و پرخوری عصبی بررسی شد، تفاوتی میان گروه‌های مورد مطالعه مشاهده نشد. در مقابل، معیارهای متداول اندازه‌گیری فعالیت مغزی نیز نتوانستند تفاوتی از نظر آماری معنادار میان بیماران افسرده و افراد سالم نشان دهند.
شرکت‌کنندگان هر دو گروه مطالعاتی، یعنی نمونه جمعیت‌محور و نمونه بالینی، عمدتاً سفیدپوست و متعلق به طبقات اجتماعی‌اقتصادی متوسط تا بالا بودند. ازاین‌رو، پژوهش‌های آینده باید بررسی کنند که آیا این الگوهای محاسباتی مشخص در جمعیت‌هایی با پیشینه‌های قومی، نژادی و اجتماعی‌اقتصادی متفاوت نیز به همین شکل مشاهده می‌شوند یا خیر. همچنین تفاوت میزان علائم هیجانی میان نوجوانان دارای پردازش دیداری کارآمد و کم‌کارآمد در نمونه عمومی، نسبتاً اندک بود.
چنین تفاوت کوچکی در مطالعات جمعیت عمومی که نشانه‌های خفیف‌تر از آستانه تشخیص بالینی را بررسی می‌کنند، دور از انتظار نیست. با این حال، کوچک بودن اندازه اثر به این معناست که دسته‌بندی افراد بر اساس الگوهای پردازش دیداری، در مرحله کنونی به‌تنهایی توان تشخیصی محدودی برای بیماران منفرد دارد. پژوهشگران باید کاربرد بالینی گسترده‌تر این نشانگر را در گروه‌های مستقل بیماران اعتبارسنجی کنند. همچنین بررسی این نشانگرهای محاسباتی در نوجوانان کم‌سن‌تر می‌تواند روشن کند که آیا اختلالات پردازش دیداری حتی در مراحل زودتری از رشد ظاهر می‌شوند یا خیر.
پیگیری وضعیت بیماران در طول زمان نیز می‌تواند مشخص کند که آیا این نشانگر قادر است بهبودی پایدار را از افسردگی مزمن پیش‌بینی کند یا خیر. تشخیص اینکه تحریف پردازش دیداری یک ویژگی پایدار فردی است یا حالتی موقتی، می‌تواند به طراحی درمان‌های هدفمند کمک کند. ممکن است در آینده مداخلاتی که با هدف بازآموزی پردازش اطلاعات دیداری طراحی می‌شوند، بتوانند خطر ابتلا به افسردگی را کاهش دهند.
این پژوهش با عنوان «یادگیری عمیق سازوکاری عصبی‌محاسباتی را آشکار می‌کند که خطر افسردگی در نوجوانان را پیش‌بینی می‌کند» به قلم هان لو، شیائوچیان یان، بنجامین بکر، آندریاس هاینتس، باربارا جی. ساهاکیان، کریستل لنگلی، ژائویو زو، لوئولونگ کائو، زو ژانگ، لورن رابینسون، نیلاکشی وایدیا، ژان وینترر، شینید کینگ، شارلوت والتون، توبیاس باناشفسکی، گرت جی. بارکر، آرون ال. دبلیو. بوکده، رودیگر برول، هرتا فلور، هیو گاراون، پنی گولند، آنتوان گریژیس، هروه لومتر، ژان‌لوک مارتینو، ماری‌لور پایر مارتینو، اریک آرتیژ، فراوکه نیس، دیمیتری پاپادوپولوس اورفانوس، لوئیزه پوستکا، هدی کبیر، اولریکه اشمیت، جولیا سینکلر، مایکل ان. اسمولکا، سارا هومان، ناتالی هولتس، هنریک والتر، رابرت ویلان، سیلوان دزریویر، گونتر شومان، چیانگ لو، کنسرسیوم STRATIFY/ESTRA و کنسرسیوم IMAGEN انجام شده است.