Новые интерпретируемые методы машинного обучения для анализа взаимодействий высокого порядка в функциональных сетях мозга и выявления прогностических маркеров патологических психических состояний

КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

ОБЩИЕ СВЕДЕНИЯ

Номер проекта 23-71-30010

НазваниеНовые интерпретируемые методы машинного обучения для анализа взаимодействий высокого порядка в функциональных сетях мозга и выявления прогностических маркеров патологических психических состояний

Руководитель Храмов Александр Евгеньевич, Доктор физико-математических наук

Организация финансирования, регион федеральное государственное автономное образовательное учреждение высшего образования "Балтийский федеральный университет имени Иммануила Канта" , Калининградская обл

Конкурс №81 - Конкурс 2023 года по мероприятию «Проведение исследований научными лабораториями мирового уровня в рамках реализации приоритетов научно-технологического развития Российской Федерации» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными

Область знания, основной код классификатора 01 - Математика, информатика и науки о системах; 01-201 - Искусственный интеллект и принятие решений

Ключевые слова Взаимодействия высокого порядка, машинное обучение, интерпретируемые методы, функциональные сети головного мозга, сигналы ЭЭГ, психические расстройства

Код ГРНТИ27.45.17

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
Проект направлен на разработку новых методов машинного обучения на основе графовых нейронных сетей, которые позволят эффективно различать состояния головного мозга с учетом особенностей сетевой структуры функциональных нейронных связей. В качестве таких особенностей будут рассмотрены взаимодействия высокого порядка, которые описывают связи между группами элементов в сети. Разработанные методы будут применены для выявления прогностических маркеров расстройства аутистического спектра на сигналах ЭЭГ и маркеров депрессивных расстройств на сигналах фМРТ. Актуальность решения научной проблемы обусловлена созданием систем искусственного интеллекта (ИИ), основанных на таких методах машинного обучения как нечеткие экспертные системы, байесовские сети, искусственные нейронные сети и гибридные интеллектуальные системы, которые уже давно используются в различных клинических ситуациях в здравоохранении. Следуя докладам агентства CB Insights, начиная с 2016 г. наибольшие инвестиции в исследования ИИ направляется на его применение в здравоохранении по сравнению с другими отраслями. ИИ находится на пороге полного преобразования медицинских технологий на пути их интеллектуализации и расширения возможностей в рамках парадигмы прогностической медицины. Задача проекта является масштабной и комплексной и предполагает решение задач в рамках трех взаимосвязанных научных направлений: Направление 1 – Разработка методов машинного обучения на основе графовых нейронных сетей, способных классифицировать состояния сети, отличающиеся особенностями взаимодействий высокого порядка. Направление 2 – Апробация разработанных методов с использованием математических моделей сетей осцилляторов с адаптивными связями, мемристивных элементов и спайковых биологически-правдоподобных элементов, в которых реализуются взаимодействия высокого порядка с определенными свойствами. Направление 3 – Применение графовых нейронных сетей для выявления биомаркеров патологических психических состояний в функциональных сетях головного мозга, на основе регистрируемых сигналов ЭЭГ и МРТ, включая расстройства аутистического спектра и депрессивное расстройство. Научная значимость результатов проекта заключается в том, что впервые будут определены интерпретируемые закономерности, определяющие возможность графовых нейронных сетей обнаруживать взаимодействия высокого порядка. Интерпретируемость является одной из самых актуальным проблем машинного обучения и современной науки о данных [Cynthia Rudin // Nature Machine Intelligence, 2019]. В рамках проекта решение проблемы интерпретируемости будет основано на использовании математических моделей сложных сетей с контролируемыми свойствами для обучения и валидации машинных методов классификации больших данных. Общественная значимость заключается в том, что разработанные методы машинного обучения позволят определять на уровне функциональных сетей головного мозга наличие прогностических биомаркеров патологических психических состояний. В частности, эффективность новых методов будет продемонстрирована на примере выявления биомаркеров расстройства аутистического спектра (РАС) на многоканальных сигналах активности головного мозга, даже на ранней стадии [Laurel J. Gabard-Durnam et al // Nature Communications, 2019]. Другим примером будет поиск биомаркеров, сопровождающих развитие депрессивного расстройства, на основании анализа функциональный сетей, восстановленных по данным фМРТ. Всё это позволит усовершенствовать методы диагностики РАС и прогрессирующих депрессивных состояний и создать системы поддержки принятия решения (СППВР) клинического психолога.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Публикации

1. Портнова Г., Мартынова О. Macro-and microstates of resting-state EEG in children with low-functioning autism. Advances in Neurodevelopmental Disorders Advances in Neurodevelopmental Disorders, 2023 (год публикации - 2023)
10.1007/s41252-023-00374-x

2. Андреев А.В., Куркин С.А., Стоянов Д., Бадарин А.А., Паунова Р., Храмов А.Е. Toward interpretability of machine learning methods for the classification of patients with major depressive disorder based on functional network measures Chaos, V. 33, I. 6, P. 063140 (год публикации - 2023)
10.1063/5.0155567

3. Писарчик А.Н., Андреев А.В, Куркин С.А., Стоянов Д., Бадарин А.А., Раунова Р., Храмов А.Е. Topology switching during window thresholding fMRI-based functional networks of patients with major depressive disorder: Consensus network approach Chaos, V. 33, I. 9, P. 093122 (год публикации - 2023)
10.1063/5.0166148

4. Андреев А. Classification of MDD patients with using network measures 2023 7th Scientific School Dynamics of Complex Networks and their Applications (DCNA), Pp. 11-13 (год публикации - 2023)
10.1109/DCNA59899.2023.10290687

5. Долгов А., Куркин С. Higher-order interactions in functional brain networks in major depressive disorder 2023 7th Scientific School Dynamics of Complex Networks and their Applications (DCNA), Pp. 72-74 (год публикации - 2023)
10.1109/DCNA59899.2023.10290352

6. Писарчик А. Rotating Wave Dynamics in Rings of Coupled Oscillators: Insights into Working Memory Models 2023 7th Scientific School Dynamics of Complex Networks and their Applications (DCNA), Pp. 216-220 (год публикации - 2023)
10.1109/DCNA59899.2023.10290647

7. Кабир М.С., Куркин С.А., Портнова Г., Мартынова О., Ван Чж., Храмов А. Contrastive machine learning reveals in EEG resting-state network salient features specific to autism spectrum disorder Chaos, Solitons & Fractals, V. 185, P. 115123 (год публикации - 2024)
10.1016/j.chaos.2024.115123

8. Хорев В.С., Куркин С.А., Златева Г., Паунова Р., Кандиларова С., Маес М., Стоянов Д., Храмов А.Е. Disruptions in segregation mechanisms in fMRI-based brain functional network predict the major depressive disorder condition Chaos, Solitons & Fractals, V. 188, P. 115566 (год публикации - 2024)
10.1016/j.chaos.2024.115566

9. Писарчик А.Н., Серрано Н.П. Хаймес-Реатеги Р. Brain Connectivity Hypergraphs 2024 8th Scientific School Dynamics of Complex Networks and their Applications (DCNA), Pp. 190-193 (год публикации - 2024)
10.1109/DCNA63495.2024.10718518

10. Кулагин Н., Андреев А., Храмов А. Reservoir computing shows partial statistical dynamics prediction of two coupled stochastic FitzHugh-Nagumo neurons 2024 8th Scientific School Dynamics of Complex Networks and their Applications (DCNA), Pp. 145-147 (год публикации - 2024)
10.1109/DCNA63495.2024.10718424

11. Стоянова К., Стоянов Д., Хорев В., Куркин С. Identifying neural network structures explained by personality traits: combining unsupervised and supervised machine learning techniques in translational validity assessment The European Physical Journal Special Topics, V. 2024 (год публикации - 2024)
10.1140/epjs/s11734-024-01411-z

12. Грубов В.В., Назариков С.И., Куркин С.А., Утяшев Н.П., Андриков Д.А., Карпов К.Э., Храмов А.Е. Two-stage approach with combination of outlier detection method and deep learning enhances automatic epileptic seizure detection IEEE Access, V. 12, Pp. 122168-122182 (год публикации - 2024)
10.1109/ACCESS.2024.3453039

13. Хорев В., Куркин С., Паунова Р., Букина Т., Стоянов Д. Differences in optimal community structure in brain connectivity organization in major depressive disorder. 2024 8th Scientific School Dynamics of Complex Networks and their Applications (DCNA), Pp. 119-122 (год публикации - 2024)
10.1109/DCNA63495.2024.10718407

14. Шушарина Н.Н. Эффективность сверточных нейронных сетей различной архитектуры для задачи диагностики депрессии по данным ЭЭГ Известия высших учебных заведений. Прикладная нелинейная динамика, T. 32, № 4. С. 492–510 (год публикации - 2024)
10.18500/0869-6632-003114

15. Кабир М.С. , Куркин С., Паунова Р., Стоянов Д., Храмов А. HTM Spatial Pooler - a Nonparametric Interpretable Feature Selection Algorithm? An Introductory Exploration 2024 8th Scientific School Dynamics of Complex Networks and their Applications (DCNA), Pp. 106-111 (год публикации - 2024)
10.1109/DCNA63495.2024.10718624

Аннотация результатов, полученных в 2024 году
В рамках выполнения второго этапа проекта разработан метод анализа сложных сетей, объединяющий теорию симплициальных комплексов и глубокое обучение для классификации топологий сетей по структурам высокого порядка. Создана мультиракурсная графовая нейронная сеть с механизмом внимания, обрабатывающая несколько представлений одного графа. Эксперименты показали высокую эффективность модели: наилучшие результаты классификации на модельной задаче (сеть scale-free или «малый мир») — точность 99.58% на обучающей выборке (480 элементов) и 100% на валидационной (120 элементов). Сеть достигла точности 95-98% на валидации уже после 60 эпох, подтверждая способность различать сложные структурные паттерны. Разработан программный комплекс для применения метода в различных прикладных задачах. Проанализированы динамические режимы сети осцилляторов Курамото со взаимодействиями высоких порядков. При локальной топологии сети без адаптации связей синхронное состояние наблюдается лишь при низкой силе связей второго порядка, остальное пространство параметров занято химерными и асинхронными режимами. Введение адаптации приводит к расширению области синхронизации. В сети с топологией типа «малый мир» без адаптации наблюдаются только химерные и асинхронные режимы, но адаптация связей приводит к появлению синхронного состояния при взаимодействиях второго порядка. Также адаптация способствует переходам между режимами, включая кластерную противофазную синхронизацию, разрушение химерных состояний и формирование двухкластерных структур. Проведена классификация режимов в модели сети осцилляторов Курамото с использованием графовой нейронной сети на матрицах смежности. Лучшие результаты получены при положительных взаимодействиях первого и второго порядков (f1-score = 88% и 84.5%). При локальной топологии точность ниже: f1-score = 69.8% для синхронного и химерного состояний и 56.2% для химерного и асинхронного. В топологии «малый мир» классификация значительно улучшилась (84% и 72.4%). Синхронное состояние стабильно лучше различается с химерным, чем асинхронное, а при отрицательных взаимодействиях классификация химерного и синхронного состояний затруднена из-за редкости синхронизации. Разработаны и протестированы новые модели резервуарных вычислений с высокопорядковыми связями в скрытом слое для прогнозирования динамики и восстановления скрытых переменных нелинейных систем. Модель сохраняет особенности классического случайного резервуара, обеспечивая высокую точность предсказания стохастических и хаотических систем, а также восстановление неизвестных каналов ЭЭГ. Эффективность достигается за счет минимальной структуры связей: достаточно одного симплекса и нескольких изолированных узлов. Оптимальные топологии резервуарного слоя определяются путем оценки изменений синергетической и избыточной энтропии узлов, что позволяет учитывать сложные взаимодействия во входных сигналах без усложнения структуры сети. Восстановлены структуры функциональных сетей мозга по ЭЭГ-данным детей с расстройством аутистического спектра (РАС) с использованием многослойного подхода, учитывающего внутричастотные и кросс-частотные взаимодействия. Для оценки связей применялся индекс синхронизации на основе совместных рекуррентных диаграмм. Сетевой анализ показал, что у детей с РАС внутричастотные взаимодействия усилены во фронтальных, затылочно-височных и теменных областях правого полушария, а также выражена кросс-частотная синхронизация между фронтальной корой в тета-диапазоне и областями в альфа- и бета-слоях, несмотря на меньшую общую связность по сравнению с контрольной группой. Проанализированы различия структур взаимодействий высокого порядка в функциональных сетях мозга детей с РАС и контрольной группы с использованием представления сети в виде гиперграфа. Метод преобразования многослойной сети в гиперграф основывался на транспонировании матрицы инцидентности с учетом пороговых значений для удаления слабых связей. Статистический анализ степеней узлов показал, что гиперграфовое представление выявляет больше межгрупповых различий по сравнению с анализом многослойной сети. В частности, в гиперграфах обнаружены значимые различия степеней вершин, связанных с тета- и альфа-слоями, тогда как стандартный сетевой анализ таких различий не выявил. Продолжено формирование многоуровневой базы данных, содержащей как поведенческие, так и нейрофизиологические характеристики детей с РАС (102 испытуемых) и контрольной группы (104 испытуемых). Данные всех испытуемых, включая данные нейрофизиологических исследований, результаты их предварительной обработки, результаты клинических ассессментов и поведенческих исследований в обезличенном виде размещены в единой базе данных. Определены оптимальные метрики и порог для оценки функциональных связей (ФС) по данным фМРТ 169 испытуемых (97 здоровых (группа HC), 72 с большим депрессивным расстройством (MDD)). Области мозга выделялись по атласу AAL3, а корреляции между ними рассчитывались с использованием различных метрик: коэффициента Пирсона, PLV, взаимной информации, энтропии переноса и когерентности. Перестановочный статистический тест показал, что оптимальным является порог, основанный на значимых корреляциях (p<0.05). Корреляция Пирсона выявила 12 значимых связей в направлении HC>MDD и одну в обратном направлении, тогда как другие метрики продемонстрировали меньшую чувствительность. Таким образом, корреляция Пирсона признана наиболее надежной для анализа значимых связей в ФС. Проведены численные эксперименты по обучению многомасштабных биофизических нейросетевых моделей для анализа влияния взаимодействий высокого порядка на динамические режимы. Исследование реконфигурации синаптических связей по алгоритму STDP показало, что формирование стимул-специфичных симплексов зависит от уровня шума в обучающем сигнале: увеличение дисперсии шума приводит к включению не стимул-специфичных нейронов. Моделирование нейрон-астроцитарных сетей продемонстрировало, что астроциты усиливают синаптическую передачу, увеличивая количество симплексов высоких порядков и повышая специфичность реакции сети даже при наличии шума. Обучение на паттернах цифр «1» и «0» подтвердило, что астроцитарная модуляция улучшает качество обучения за счет формирования более сложных сетевых структур.

Публикации