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 23-71-30010
НазваниеНовые интерпретируемые методы машинного обучения для анализа взаимодействий высокого порядка в функциональных сетях мозга и выявления прогностических маркеров патологических психических состояний
РуководительХрамов Александр Евгеньевич, Доктор физико-математических наук
Организация финансирования, регион федеральное государственное автономное образовательное учреждение высшего образования "Балтийский федеральный университет имени Иммануила Канта", Калининградская обл
| Период выполнения при поддержке РНФ | 2023 г. - 2026 г. |
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 словаВзаимодействия 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.
Ожидаемые результаты
В результате выполнения проекта будут разработаны модели графовых нейронных сетей и с их помощью выявлены прогностические маркеры неврологических заболеваний, включая расстройство аутистического спектра у детей и депрессии.
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.
Для выявления интерпретируемых закономерностей в работе графовых нейронных сетей, они будут протестированы на граф-структурированных данных, сформированных в моделях нейронных сетей за счет адаптивных механизмов и пластичности. Для этих целей будут разработаны архитектуры многомасштабных, многослойных биологически релевантных спайковых нейронных сетей, обладающих свойством динамической перестройки связей между элементами на основе экспериментально подтвержденных алгоритма обучения в форме Хеббовской пластичности STDP. В разработанных моделях спайковых нейронных сетей взаимодействия высокого порядка будут формироваться за счет адаптивных механизмов, обнаруженных на основании результатов экспериментов. В физическом эксперименте будет разработана сеть электронных нейроноподобных генераторов и мемристивных нейроморфных устройств, реализующая базовые аспекты функционирования разработанных теоретических моделей многомасштабных спайковых нейросетей.
Полученные результаты математического моделирования имеют большую научную и практическую значимость. Научная значимость заключается в том, что разработанные математические модели позволят описать работу сетей нейронов мозга, функционирующих в естественных и искусственных условиях. Прикладная значимость обуславливается, прежде всего, востребованностью новых алгоритмов работы искусственных нейронных сетей. В настоящее время можно отметить тренд перехода с архитектур, построенных на формальных нейронах, на системы с импульсными элементами. Это во многом обусловлено успехами в области материаловедения и, в частности, конструирования энергоэффективных мемристивных устройств, способных имитировать пластичные синапсы. Учитывая большой потенциал мемристоров в миниатюризации и биологической совместимости, можно прогнозировать научно-технический прорыв в области нейрозамещающих систем уже в ближайшем будущем. Алгоритмической основой работы таких систем станут результаты исследований спайковых нейронных сетей, в том числе и полученные в предлагаемом проекте.
ОТЧЁТНЫЕ МАТЕРИАЛЫ
Аннотация результатов, полученных в 2023 году
В рамках выполнения первого этапа проекта разработан численный алгоритм для формирования топологий сети с заданными характеристиками, включающими взаимодействия высокого порядка. Данный алгоритм позволяет адаптивно перестраивать топологическую структуру сети в процессе эволюции к заранее заданным характеристикам взаимодействий различных порядков. При этом изменение связей определяется как заранее заданным распределением взаимодействий всех рассматриваемых порядков, так и текущей степенью взаимодействия между рассматриваемыми элементами сети.
Разработана модель машинного обучения на основе графовой нейронной сети (ГНС) с использованием языка Python. Работоспособность модели проверена на сетевых топологиях с заданными характеристиками интеграции и сегрегации, сгенерированных с использованием алгоритмов Барабаши-Альберта и Уоттса-Строгаца для различных значений параметров моделей. Изучено влияние гиперпараметров ГНС (темп обучения, тип сверточной функции и др.) на показатели классификации различных топологий модельных сетей. Полученные результаты позволяют повысить скорость оптимизации параметров ГНС на основе априорных знаний о свойствах топологий классифицируемых графов и характеристик их узлов.
Разработана эволюционная модель формирования взаимодействий высокого порядка на основе сети фазовых осцилляторов Курамото с адаптивными связями. Реализован численный алгоритм моделирования адаптивной модели на базе осцилляторов Курамото в виде программы для ЭВМ. С помощью нее была исследована динамика модели сети Курамото с точки зрения анализа возникновения синхронных и асинхронных динамических режимов при учете взаимодействий первого и второго порядка при наличии и отсутствии адаптации связей. Обнаружено, что адаптация связей только первого порядка приводит к установлению полной синхронизации и формированию одного синхронного кластера, состоящего из всех элементов сети. В том случае, когда происходит адаптация связей второго порядка, в сети формируются два синхронных кластера, находящихся в противофазе друг по отношению к другу; при этом, если параллельно со вторым порядком происходит адаптация связей и первого порядка, то формирование двух кластеров происходит существенно быстрее.
Сформирована многоуровневая база данных, содержащая как поведенческие (первый уровень), так и нейрофизиологические (второй уровень) характеристики детей с расстройством аутистического спектра (РАС, 158 испытуемых) и из контрольной группы (177 испытуемых). Данные всех испытуемых в обезличенном виде размещены в базе данных нейрофизиологических исследований Балтийского центра нейротехнологий и искусственного интеллекта БФУ им. И. Канта. С использованием метода выделения макросостояний непрерывного отрезка ЭЭГ в состоянии покоя и метода диагностики микросостояний более коротких временных отрезков ЭЭГ были восстановлены и проанализированы конфигурации функциональных сетей (ФС) мозга детей с типичным развитием и детей с РАС. Пространственный анализ топограмм макро- и микросостояний выявил активацию областей, сходных с активацией функциональных сетей мозга, связанных с сетью сенсорной обработки, сетью определения значимости и сетью режима по умолчанию. Нормированная длительность макро- и микросостояний, связанных с сетью сенсорной обработки и сетью режима по умолчанию, был значительно выше у детей с РАС.
Проведено исследование восстановленных по фМРТ данным в состоянии покоя ФС головного мозга для группы здоровых людей (90 человек) и группы пациентов с большим депрессивным расстройством (БДР, 70 человек). Выявлен набор связей в сети, которые значимо сильнее у здоровых испытуемых, при этом наиболее сильные различия наблюдаются как во внутрирегиональных, так и межрегиональных связях между областями затылочной доли, такими как предклинье, клиновидная извилина, верхняя затылочная извилина, язычная извилина, веретенообразная извилина, мозжечок, а также лимбических структур, включая гиппокамп и поясную извилину. С помощью линейного дискриминантного анализа (LDA) была оценена точность классификации диагноза с использованием различных выявленных сетевых биомаркеров. Обнаружено, что все предложенные вектора признаков подходят для классификации (точность не менее 80 %), хотя наилучшие результаты (точность около 93 %) были получены при использовании полных корреляционных матриц. Для отбора наиболее важных признаков и интерпретации результатов классификации LDA-модели был предложен и применен комбинированный подход на основе сочетания статистических методов и оригинального алгоритма выбора признаков «оберточного» типа. Показано, что классы неразделимы в одномерном пространстве признаков, однако, эти классы становятся различимыми в трехмерном пространстве признаков, сформированном из наиболее важных признаков – средней степени узла, коэффициента кластеризации и количества ребер, которые были определены с использованием алгоритма «оберточного» типа.
Было исследовано, как пороговое значение весов связей в ФС влияет на точность классификации. Для случая трех наиболее значимых признаков было обнаружено, что LDA достигает наивысшей точности (81-83 %), когда рассматривается сеть со всеми связями или только с самыми сильными (>0.7). Когда пороговый параметр лежит в диапазоне [0.35-0.55], модель LDA не может разделить группы контроля и БДР, и средняя точность составляет 56 %. Выявлено, что топология сетей для обеих групп меняется с ростом параметра порога от случайной к безмасштабной (scale-free). Показано, что предложенный подход, основанный на консенсус-сети, позволяет проанализировать трансформацию характеристик сети, включая распределение степеней узлов, при варьировании пороговых уровней сил рассматриваемых связей. Также использование подхода на базе консенсус-сети позволило получить важную информацию о различиях в сетевых метриках между группами контроля и БДР.
Была обучена ГНС для классификации БДР на основе топологических особенностей ФС мозга. Показано, что наиболее важной характеристикой ФС мозга является кратчайший путь, который определяет оптимальное количество слоев ГНС для обеспечения наиболее точной классификации пациентов с БДР. Предложенный классификатор на основе ГНС достигает точности 93 %, что соответствует лучшим известным классификаторам. Максимальный показатель F1-score достигается при использовании разреженного графа, состоящего из 2.5 % связей от исходного числа, что позволяет избежать подачи излишнего количества входных данных в ГНС и переобучения.
Разработаны базовые модели многомасштабных многослойных спайковых нейронных сетей, представляющие собой квадратную решетку, в узлах которой расположены синаптически связанные между собой нейроны. В соответствии с экспериментальными данными о структуре синаптических взаимодействий между нейронами в коре головного мозга граф синаптических связей в рассматриваемой сети формируется на основе экспоненциального распределения, которое зависит от расстояния между каждой парой нейронов. В качестве модели динамики мембранного потенциала нейрона была выбрана биофизическая модель Ходжкина-Хаксли. Для формирования взаимодействий высокого порядка в рассматриваемой спайковой нейронной сети вначале были выявлены кластеры, характеризующиеся замкнутыми контурами синаптических связей между нейронами, затем все синаптические связи в кластере усиливались в соответствии со значением параметра усиления. Анализ среднего значения показателя глобального порядка сигнализации нейронной сети показал, что возникновение нейронной подсети, характеризующейся высоким уровнем синхронизации активности, возможно только при относительно высоком коэффициенте усиления синаптических связей в нейронных кластерах и при этом не зависит от размера нейронных кластеров.
Публикации
1. 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) https://doi.org/10.1109/DCNA59899.2023.10290687
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) https://doi.org/10.1063/5.0155567
3. 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) https://doi.org/10.1109/DCNA59899.2023.10290352
4. 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) https://doi.org/10.1109/DCNA59899.2023.10290647
5. 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) https://doi.org/10.1063/5.0166148
6. 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) https://doi.org/10.1007/s41252-023-00374-x
7. - Ученые разработали интерпретируемый подход для распознавания депрессивного расстройства Научная Россия, - (год публикации - )
8. - Интерпретируемый подход позволит распознать депрессивное расстройство с точностью 83% Indicator, - (год публикации - )
9. - Новый подход позволит распознать депрессию с точностью 83% InScience, - (год публикации - )
10. - Алгоритм распознал глобальные особенности в мозге людей с депрессией CoLab, - (год публикации - )
11. - Создан новый метод распознавания депрессивного расстройства Газета.Ru, - (год публикации - )
12. - Диагностика депрессии и искусственный интеллект Полит.ру, - (год публикации - )
13. - Ученые разработали интерпретируемый подход для распознавания депрессивного расстройства РНФ, - (год публикации - )
14. - Для распознавания депрессивного расстройства учёные разработали интерпретируемый подход Поиск, - (год публикации - )
15. - Интерпретируемый подход позволит распознать депрессивное расстройство с точностью 83% Нейроновости, - (год публикации - )
16. - Ученые разработали интерпретируемый подход для распознавания депрессивного расстройства Фармацевтический портал «ИНФАРМ», - (год публикации - )
17. - Chaos: Ученые разработали метод распознавания депрессии с точностью 82,6% ЭкоПравда, - (год публикации - )
18. - Новый подход в изучении нейронных связей поможет бороться с депрессией РНФ, - (год публикации - )
19. - Исследователи научились выявлять депрессию с помощью МРТ Информационное агентство ТАСС, - (год публикации - )
20. - Новый подход в изучении нейронных связей поможет бороться с депрессией Indicator, - (год публикации - )