تشخیص افسردگی با هوش مصنوعی؛ چگونه یادگیری ماشین الگوهای مغز را شناسایی می‌کند؟

تشخیص افسردگی با کمک هوش مصنوعی؛ وقتی نقشه ارتباطات مغز به زبان یادگیری ماشین سخن می‌گوید

افسردگی را نمی‌توان صرفاً اختلالی در یک ناحیه از مغز دانست؛ این اختلال پیچیده، حاصل تغییر در تعامل میان شبکه‌های گسترده عصبی، مدارهای هیجانی و شناختی و سازوکارهای تنظیم‌کننده رفتار است. همین پیچیدگی یکی از دلایلی است که تشخیص زیستی و پیش‌بینی خطر ابتلا به اختلالات افسردگی (Depressive Disorders) را به یکی از چالش‌های مهم علوم اعصاب شناختی (Cognitive Neuroscience) و روان‌پزشکی تبدیل کرده است.

در سال‌های اخیر، ظهور هوش مصنوعی (Artificial Intelligence؛ AI) و به‌طور خاص یادگیری ماشین (Machine Learning؛ ML)، چشم‌انداز تازه‌ای را برای پاسخ به این پرسش ایجاد کرده است: آیا می‌توان از الگوهای ظریف موجود در مغز برای شناسایی افرادی که به افسردگی مبتلا هستند یا حتی در معرض خطر ابتلا به آن قرار دارند، استفاده کرد؟

مطالعه‌ای که با استفاده از توان محاسباتی مرکز محاسبات پیشرفته تگزاس (Texas Advanced Computing Center؛ TACC) و ابررایانه Stampede انجام شد، نمونه‌ای مهم از تلاش برای پاسخ به همین پرسش است. اهمیت این پژوهش صرفاً در دستیابی به یک دقت حدود ۷۵ درصدی خلاصه نمی‌شود؛ ارزش واقعی آن در تغییر زاویه نگاه ما به افسردگی است: از جست‌وجوی «یک نقطه آسیب‌دیده در مغز» به سوی مطالعه الگوهای توزیع‌شده ارتباطات عصبی در سراسر مغز.

افسردگی؛ بیماری یک ناحیه نیست، اختلال یک شبکه است

برای مدت طولانی، درک اختلالات روان‌پزشکی تا حد زیادی بر این فرض استوار بود که باید بتوان ناحیه‌ای مشخص از مغز را که دچار اختلال شده است، پیدا کرد. اما علوم اعصاب مدرن نشان داده‌اند که بسیاری از اختلالات پیچیده، از جمله افسردگی، بیشتر از آنکه بیماری یک ساختار منفرد باشند، اختلالاتی در عملکرد شبکه‌های عصبی (Neural Networks) هستند.

در افسردگی ممکن است تعامل میان شبکه‌های مرتبط با پردازش هیجانی، پاداش، انگیزش، توجه، حافظه و خودارزیابی تغییر کند. بنابراین، اگرچه ساختارهایی مانند قشر پیش‌پیشانی (Prefrontal Cortex)، آمیگدال (Amygdala)، هیپوکامپ (Hippocampus) و مدارهای مرتبط با سیستم پاداش اهمیت دارند، نمی‌توان پیچیدگی بیماری را به یکی از این مناطق تقلیل داد.

این همان نقطه‌ای است که یادگیری ماشین می‌تواند مزیتی اساسی ایجاد کند. مغز انسان از میلیاردها نورون و اتصالات بسیار گسترده تشکیل شده است و تصویربرداری مغزی می‌تواند حجم عظیمی از داده‌های چندبعدی تولید کند؛ داده‌هایی که کشف روابط میان آن‌ها با روش‌های سنتی بسیار دشوار است.

DTI چگونه پنجره‌ای به ماده سفید مغز باز می‌کند؟

یکی از ابزارهای مهم این پژوهش، تصویربرداری تشدید مغناطیسی انتشار (Diffusion Tensor Imaging؛ DTI) است؛ روشی از خانواده MRI که از حرکت مولکول‌های آب در بافت مغز برای مطالعه سازمان‌یافتگی مسیرهای ماده سفید (White Matter Tracts) استفاده می‌کند.

آب در بافت مغز به‌صورت کاملاً تصادفی حرکت نمی‌کند. در بسیاری از بخش‌های ماده سفید، سازمان‌یافتگی آکسون‌ها و غلاف‌های میلین باعث می‌شود انتشار آب در امتداد برخی جهت‌ها آسان‌تر از جهت‌های دیگر باشد. این ویژگی، یعنی وابستگی میزان انتشار به جهت، ناهمسانگردی انتشار (Diffusion Anisotropy) نام دارد.

یکی از شاخص‌های مهم استخراج‌شده از DTI، ناهمسانگردی کسری (Fractional Anisotropy؛ FA) است. مقدار بالاتر FA معمولاً با انتشار جهت‌مندتر آب ارتباط دارد و می‌تواند با سازمان‌یافتگی ماده سفید مرتبط باشد؛ در مقابل، کاهش FA در برخی شرایط می‌تواند نشان‌دهنده تغییر در یکپارچگی یا سازمان‌یافتگی مسیرهای ماده سفید باشد. البته تفسیر FA باید با احتیاط انجام شود، زیرا این شاخص یک نشانگر مستقیم و اختصاصی برای «سلامت آکسون» یا «میلین» نیست و عوامل متعددی می‌توانند بر آن اثر بگذارند.

در مطالعه مورد بحث، همین الگوهای انتشار در سراسر مغز به داده‌های قابل استفاده برای الگوریتم‌های یادگیری ماشین تبدیل شدند.

از صدها هزار وکسل تا یک الگوی قابل تشخیص

تصویر MRI را می‌توان به واحدهای سه‌بعدی کوچکی به نام وکسل (Voxel؛ Volume Pixel) تقسیم کرد. هر وکسل اطلاعاتی درباره بخشی از بافت مغز در اختیار پژوهشگر قرار می‌دهد.

وقتی صدها هزار وکسل در یک اسکن مغزی وجود داشته باشد، پژوهشگر با مجموعه‌ای عظیم از متغیرها مواجه می‌شود. مسئله زمانی پیچیده‌تر می‌شود که هدف، یافتن ارتباط میان این متغیرها باشد.

اینجا یادگیری ماشین وارد میدان می‌شود.

در این پژوهش از ماشین بردار پشتیبان (Support Vector Machine؛ SVM) استفاده شد؛ الگوریتمی که می‌تواند داده‌ها را در یک فضای چندبعدی تحلیل کند و مرزی ریاضی برای تفکیک گروه‌ها پیدا کند.

به زبان ساده، الگوریتم تلاش می‌کند از روی نمونه‌های آموزشی بیاموزد که ترکیبی از ویژگی‌های مغزی یک فرد مبتلا به افسردگی چگونه با ویژگی‌های فرد سالم تفاوت دارد. سپس همین مدل روی داده‌هایی که در مرحله آموزش استفاده نشده‌اند، آزموده می‌شود تا مشخص شود آیا می‌تواند افراد جدید را نیز به‌درستی طبقه‌بندی کند یا خیر.

این نکته بسیار مهم است: قدرت یادگیری ماشین صرفاً در یافتن تفاوت یک ناحیه از مغز نیست؛ بلکه در کشف ترکیب پیچیده‌ای از تفاوت‌های کوچک در نقاط متعدد مغز است.

چرا این یافته از نظر علوم اعصاب اهمیت دارد؟

یکی از جذاب‌ترین نتایج پژوهش این بود که اطلاعات مفید برای طبقه‌بندی افراد صرفاً در یک ناحیه محدود از مغز متمرکز نبودند؛ بلکه الگوهایی در سراسر مغز مشاهده شدند.

این یافته با دیدگاه شبکه‌ای در علوم اعصاب همخوانی دارد. مغز مجموعه‌ای از مناطق مستقل نیست؛ بلکه سامانه‌ای به‌شدت یکپارچه است که عملکردهای پیچیده از تعامل میان نواحی مختلف و مسیرهای ارتباطی متعدد حاصل می‌شوند.

از این منظر، افسردگی را می‌توان تا حدی به‌عنوان اختلال در سازمان و ارتباط شبکه‌های مغزی (Brain Network Organization and Connectivity) در نظر گرفت.

اهمیت این دیدگاه در آن است که به جای پرسیدن «کدام قسمت مغز در افسردگی آسیب دیده است؟»، پرسش دقیق‌تری مطرح می‌کند:

«الگوی ارتباط و سازمان‌یافتگی مغز در فرد مبتلا به افسردگی چگونه با فرد سالم تفاوت دارد؟»

این تغییر سؤال، در واقع تغییر پارادایمی مهمی در علوم اعصاب است.

آیا دقت ۷۵ درصدی به معنای تشخیص قطعی افسردگی است؟

خیر.

این شاید مهم‌ترین نکته‌ای باشد که هنگام بازخوانی چنین مطالعاتی باید مورد توجه قرار گیرد. دقت ۷۵ درصدی در یک مطالعه پژوهشی کوچک، به هیچ‌وجه به معنای آن نیست که هوش مصنوعی می‌تواند از هر چهار فرد، سه نفر را در محیط بالینی به‌درستی تشخیص دهد.

در پژوهش مورد بحث، داده‌های ۵۲ فرد مبتلا به افسردگی و ۴۵ فرد سالم بررسی شد و برای تحلیل متقارن‌تر، نمونه‌ای کوچک‌تر از افراد جفت‌شده مورد استفاده قرار گرفت. چنین حجم نمونه‌ای برای توسعه یک ابزار تشخیصی بالینی بسیار محدود است.

در یادگیری ماشین، خطر بیش‌برازش (Overfitting) نیز اهمیت زیادی دارد؛ یعنی الگوریتم به جای یادگیری الگوهای عمومی بیماری، ویژگی‌های خاص مجموعه داده آموزشی را یاد می‌گیرد. در چنین شرایطی ممکن است عملکرد مدل روی همان داده‌ها عالی باشد، اما وقتی روی گروهی مستقل از بیماران آزمایش شود، عملکرد آن به‌طور محسوسی کاهش یابد.

بنابراین، برای تبدیل چنین یافته‌ای به یک ابزار تشخیصی واقعی، نیاز به مطالعات بزرگ‌تر، نمونه‌های مستقل، اعتبارسنجی خارجی (External Validation)، ارزیابی چندمرکزی و تکرارپذیری نتایج وجود دارد.

از تشخیص به پیش‌بینی؛ مرز مهم آینده

با وجود این محدودیت‌ها، جذاب‌ترین بخش این حوزه شاید نه تشخیص افسردگی موجود، بلکه پیش‌بینی خطر ابتلا پیش از بروز کامل علائم باشد.

اگر بتوان الگوهای عصبی مرتبط با آسیب‌پذیری (Vulnerability) را از الگوهای ناشی از خود بیماری تفکیک کرد، ممکن است روزی بتوان افرادی را شناسایی کرد که هنوز به افسردگی مبتلا نشده‌اند، اما ویژگی‌های زیستی خاصی دارند که خطر ابتلا در آینده را افزایش می‌دهد.

البته این هدف بسیار دشوارتر از طبقه‌بندی فرد بیمار و سالم است. زیرا پژوهشگر باید میان سه مفهوم تمایز قائل شود:

نشانگر بیماری (Disease Marker)، نشانگر وضعیت فعلی (State Marker) و نشانگر استعداد یا آسیب‌پذیری (Trait/Vulnerability Marker).

اگر الگویی فقط در زمان بروز افسردگی مشاهده شود، الزاماً نمی‌توان آن را پیش‌بینی‌کننده آینده دانست. برای اثبات ارزش پیش‌بینی‌کننده یک نشانگر، باید افراد در طول زمان دنبال شوند و مشخص شود آیا الگوی شناسایی‌شده واقعاً می‌تواند وقوع آینده بیماری را پیش‌بینی کند یا خیر.

آینده؛ ترکیب مغز، ژن و رفتار

یکی از چشم‌اندازهای هیجان‌انگیز این حوزه، ترکیب داده‌های مختلف است. تصویربرداری مغزی تنها یکی از لایه‌های اطلاعات زیستی انسان است.

در آینده می‌توان داده‌های DTI را با تصویربرداری عملکردی، اطلاعات ژنتیکی (Genomic Data)، داده‌های اپی‌ژنتیکی (Epigenetic Data)، ویژگی‌های رفتاری، خواب، استرس، عوامل محیطی و حتی داده‌های دیجیتال ترکیب کرد.

در چنین رویکردی، هوش مصنوعی دیگر صرفاً یک طبقه‌بندی‌کننده ساده نخواهد بود؛ بلکه می‌تواند به ابزاری برای مدل‌سازی چندوجهی زیستی (Multimodal Biological Modeling) تبدیل شود.

چنین مدلی ممکن است به جای آنکه فقط بگوید «این فرد افسرده است یا نیست»، احتمال خطر، عوامل مؤثر بر آن و حتی مسیرهای زیستی مرتبط با آسیب‌پذیری فرد را نیز تخمین بزند.

اما یک هشدار مهم: هوش مصنوعی جایگزین پزشک نیست

با وجود تمام ظرفیت‌های این فناوری، نباید از یک اصل مهم غافل شد: افسردگی یک تشخیص صرفاً تصویربرداری‌شونده نیست.

تشخیص بالینی افسردگی بر مجموعه‌ای از علائم، سابقه فرد، وضعیت روانی، عملکرد اجتماعی و شغلی، مدت و شدت علائم و ارزیابی تخصصی پزشک یا متخصص سلامت روان استوار است.

بنابراین، حتی اگر یک الگوریتم بتواند الگوهای مغزی مرتبط با افسردگی را با دقت بالایی شناسایی کند، نتیجه آن باید در کنار سایر شواهد بالینی تفسیر شود.

مسیر آینده احتمالاً نه «هوش مصنوعی به جای روان‌پزشک»، بلکه هوش مصنوعی در کنار روان‌پزشک و عصب‌شناس خواهد بود.

جمع‌بندی؛ از دیدن مغز به فهمیدن مغز

اهمیت این پژوهش را نباید تنها در عدد ۷۵ درصد خلاصه کرد. دستاورد مهم‌تر آن، نشان دادن ظرفیت یادگیری ماشین برای استخراج الگوهایی از مغز است که با روش‌های متعارف به‌سادگی قابل مشاهده نیستند.

DTI به ما امکان می‌دهد سازمان انتشار آب و ویژگی‌های ماده سفید را اندازه‌گیری کنیم؛ شاخص‌هایی مانند FA این اطلاعات را به داده‌های کمی تبدیل می‌کنند و الگوریتم‌هایی مانند SVM می‌توانند در فضای بسیار پیچیده این داده‌ها، الگوهای چندبعدی مرتبط با بیماری را جست‌وجو کنند.

اما این تازه آغاز راه است.

آینده علوم اعصاب محاسباتی احتمالاً در نقطه تلاقی تصویربرداری مغزی، هوش مصنوعی، ژنتیک، علوم داده و روان‌پزشکی دقیق (Precision Psychiatry) شکل خواهد گرفت. هدف نهایی نیز صرفاً تشخیص افسردگی نیست؛ بلکه رسیدن به روزی است که بتوانیم پیش از آنکه اختلال به مرحله بالینی برسد، نشانه‌های آسیب‌پذیری را شناسایی کنیم و بر اساس ویژگی‌های زیستی و فردی هر انسان، مداخلات پیشگیرانه و شخصی‌سازی‌شده طراحی کنیم.

در چنین چشم‌اندازی، ابررایانه‌ها تنها ابزارهایی برای پردازش سریع‌تر داده‌ها نیستند؛ آن‌ها به ما کمک می‌کنند پیچیدگی مغز را در مقیاسی مطالعه کنیم که توان تحلیل مستقیم انسان از آن فراتر می‌رود.

شاید بزرگ‌ترین درس این پژوهش همین باشد: برای فهم اختلالات پیچیده مغز، گاهی لازم نیست به دنبال یک نقطه بیمار بگردیم؛ باید شبکه‌ای را ببینیم که در سراسر مغز تغییر کرده است.

و این دقیقاً همان جایی است که علوم اعصاب و هوش مصنوعی به یکدیگر می‌رسند؛ جایی که میلیون‌ها داده خام، با کمک الگوریتم‌ها، می‌توانند به الگوهایی تبدیل شوند که شاید روزی مسیر روان‌پزشکی را از «تشخیص پس از ظهور بیماری» به سوی پیش‌بینی، پیشگیری و درمان شخصی‌سازی‌شده اختلالات مغزی و روان‌پزشکی تغییر دهند.