Интерпретируемые модели машинного обучения для анализа больших массивов мультимодальных биомедицинских и нейровизуализационных данных методами искусственного интеллекта

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 21-71-10136

НазваниеИнтерпретируемые модели машинного обучения для анализа больших массивов мультимодальных биомедицинских и нейровизуализационных данных методами искусственного интеллекта

Руководитель Шараев Максим Геннадьевич, Кандидат физико-математических наук

Организация финансирования, регион Автономная некоммерческая образовательная организация высшего образования «Сколковский институт науки и технологий» , г Москва

Конкурс №61 - Конкурс 2021 года «Проведение исследований научными группами под руководством молодых ученых» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными

Область знания, основной код классификатора 01 - Математика, информатика и науки о системах; 01-202 - Интеллектуальный анализ данных и распознавание образов

Ключевые слова Интерпретируемые модели, машинное обучение, методы искусственного интеллекта, МРТ, фМРТ, морфометрия, коннектомы, иммунологические маркеры, шизофрения, дифференциальная диагностика

Код ГРНТИ28.23.15

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
Применение технологий Искусственного интеллекта к конкретным биомедицинским данным позволяют строить диагностические и прогностические модели для решения конкретных актуальных клинических задач, на основании которых создаются компьютерные системы поддержки принятия медицинских решений. Такие модели основаны, как правило, на выявленных в данных диагностически и/или прогностически значимых признаках (биомаркерах), по значениям которых для данных конкретного испытуемого строятся требуемые диагностические и/или прогностические выводы. Однако существует серьезный барьер для использования таких моделей и систем в клиническую практику, называемый общим термином «неинтерпретируемости» созданных моделей и результатов. Даже если построенная модель прошла тестирование на большом количестве данных и продемонстрировала хорошую точность (высокие показатели чувствительности и специфичности в биомедицинских приложениях), врач не может принять рекомендации системы поддержки принятия решений если выявленные математическими методами биомаркеры носят абстрактный (с клинической точки зрения) характер, а сделанные по ним выводы не имеют ясной и наглядной интерпретации в понятных врачу биомедицинских и клинических терминах. Особенно остро указанный барьер проявляется при создании моделей по мультимодальным данным (что является типичным для современного уровня медицины) с использованием технологий машинного обучения. Одним из актуальных направлений развития Искусственного интеллекта, которое появилось буквально в последние несколько лет, является разработка методов построения интерпретируемых моделей по данным (построение «карт внимания» в задачах компьютерного зрения, выделение наиболее информативных признаков при снижении размерности и другие), и это направление сейчас бурно развивается. Однако само понятие «интерпретируемости» не может быть универсальным, и оно обязательно должно быть привязано к конкретной предметной области, поэтому использование даже имеющегося «универсального» инструментария требует его адаптации и развития с использованием формализованных знаний и моделей предметной области. Проект посвящен развитию методов искусственного интеллекта для создания интерпретируемых диагностических и прогностических моделей глубокого обучения по большим массивам мультимодальных данных для решения клинических задач психиатрии. Новые возможности нейровизуализационых исследований (в частности, МРТ и КТ сканирования, ЭЭГ, и др.), успехи в области биохимии и иммунологии привели к тому, что наряду с традиционными источниками данных (результаты клинических осмотров, психометрического тестирования) для диагностики и прогноза исхода заболевания в психиатрии накоплены знания об особенностях нейровоспаления и изменениях головного мозга при различных психических расстройствах. В качестве конкретной предметной области, для которой предполагается использование разработанных методов, выбраны клинические задачи диагностики шизофрении и прогноза исхода заболевания. При этом предполагается, что разрабатываемые методы создания интерпретируемых моделей глубокого обучения могут быть использованы для существенно более широкого класса нозологий в области психоневрологических расстройств. Выбор шизофрении в качестве предметной области обусловлен не только широкой распространенностью этого расстройства и его социальной значимостью, но и сложностями в определении мультифакториального характера этиопатогенетических путей развития, которые остаются до сих пор неуточненными. Мультимодальный метод с применением машинного обучения для обработки больших массивов данных (клинических, молекулярных, нейрофизиологических) позволит приблизить понимание основных звеньев патогенеза этого расстройства, закономерностей формирования многообразия психопатологических проявлений. Научная значимость проблемы диагностики шизофрении определяется тем, что в настоящее время не существует единой общепринятой теории патогенеза шизофрении. По клиническим проявлениям выделяют гетерогенные расстройства шизофренического спектра с первичными психозами, ведущая симптоматика которых не только весьма разнообразная, но и сложно классифицируемая (параноидная, парафренная, гебефреническая, кататоническая). Кроме того, в разряд расстройств шизофренического спектра входят такие нозологии как шизотипическое расстройство, шизоаффективные психозы, хроническое и транзиторное бредовое расстройство, симптоматика которых во многом идентична таковой при шизофрении), но требует иных терапевтических тактик и реабилитационных стратегий. Конкретные новые актуальные клинические задачи диагностики и лечения шизофрении были сформулированы в ведущем психиатрическом лечебном заведении страны – ГБУЗ “Психиатрической клинической больнице 1 им. Н.А. Алексеева ДЗМ”. Проводимые в мире научные исследования, в том числе исследования в ГБУЗ “Психиатрической клинической больнице 1 им. Н.А. Алексеева ДЗМ”, показали, что наряду с опросами психиатров и результатами психометрического тестирования, диагностическую значимость имеют результаты нейровизуализационных исследований (особенности головного мозга, выявляемые при структурной и функциональной МРТ, ЭЭГ), а изучение молекулярно-генетических основ шизофрении показало, что существенная роль в развитии и прогрессировании этого заболевания принадлежит нарушениям системного иммунного ответа и иммунных процессов в центральной нервной системе, хроническому нейровоспалению. Тем самым, актуальны разработки новых диагностических подходов с использованием комплексов мультимодальных биомаркеров с возможностью прогностической оценки динамики шизофрении и уточнения прогноза развития психопатологических особенностей заболевания по мультимодальным данным пациента, включая социодемографические данные, результаты клинического обследования и психометрического тестирования, нейровизуализационные МРТ/фМРТ данные, данные иммунологических исследований (уровень маркеров системного воспаления, ключевых цитокинов, маркеров активации адаптивного иммунитета, и др.). Однако, даже при наличии таких данных, врачу или клиническому психологу трудно использовать их “вручную” из-за сложной структуры, высокой размерности и наличия неочевидных (скрытых, нелинейных) связей в данных. Поэтому необходимо создание прогностических моделей, которые будут находить валидные паттерны и связи у каждого пациента, что позволит на их основе принимать прогностические решения и разрабатывать тактику реабилитации. Такая система может быть создана методами искусственного интеллекта с использованием больших массивов мультимодальных данных, а если построенная модель будет интерпретируемой, то на ее основе может быть создана система поддержки принятия медицинских решений. Учитывая большую научную и клиническую значимость проблемы диагностики шизофрении, уточнения динамики и характера, а также построения прогноза исхода заболевания, ГБУЗ “Психиатрической клинической больнице 1 им. Н.А. Алексеева ДЗМ” предоставит имеющийся научный задел в виде массива мультидисциплинарных анонимизированных данных о пациентах, страдающих шизофренией и испытуемых в группе контроля, а также предоставить возможность пополнять этот массив данными о новых людях, получаемых с использованием нейровизуализационных сканеров. Поэтому основной конкретной решаемой задачей Проекта является развитие методов искусственного интеллекта для создания интерпретируемых диагностических и прогностических моделей по предоставленному массиву мультимодальных данных для решения клинических задач диагностики шизофрении и построения прогноза заболевания. Так как создание интерпретируемых моделей невозможно без использования знаний и моделей предметной области, в состав команды, наряду со специалистами в области ИИ входят специалисты в области клинических исследований психических расстройств, специалисты в области обработки и анализа неровизуализационных МРТ/фМРТ изображений, а также специалисты в области иммунологии, имеющие опыт работы в области неврологии и психиатрии, в том числе и шизофрении. Проект будет включать в себя решение нескольких конкретных задач, связанных с детальной постановкой решаемых клинических задач, выбором критериев характеризующих клиническое качество создаваемых прогностических моделей и требований к интерпретируемости выявленных нейровизуализационных и иммунологических биомаркеров, а также формализация знаний и моделей предметной области для их использования в разрабатываемой модели. Ожидаемыми результатами Проекта будут, прежде всего, адаптированные и усовершенствованные методы ИИ, применение которых к массивам мультидисциплинарных данных приведет к требуемой интерпретируемой модели диагностики шизофрении и прогноза заболевания. На основании этой модели будет разработана система поддержки медицинских решений для ее последующего использования в клинической практике, которая позволит разработку новых персонализированных подходов к профилактике и терапии шизофрении, основанных на данных клинических, патопсихологических, нейровизуализационных и иммунологических обследованиях. Ввиду интерпретируемости разрабатываемых моделей (с различными критериями для различных модальностей данных), результатами Проекта будут также новые фундаментальные научные знания, касающиеся выявленных взаимосвязей между характеристиками клинических форм шизофрении, особенностями анатомических структур и функциональной коннективностью головного мозга и иммунологическими биомаркерами. Это потенциально позволит сделать новые выводы о механизмах патологии и выявления эндофенотипов шизофрении, глубже понять роль иммуновоспалительных нарушений и дисбаланса иммунитета в многофакторном патогенезе шизофрении, а также сделать шаг в создании комплексных панелей биомаркеров для диагностики, прогноза заболевания и разработки новых подходов к персонализированной терапии.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Публикации

1. Бачурина В.А., Сущинская С.О., Шараев М.Г., Бурнаев Е.В., Арсалиду М. A machine learning investigation of factors that contribute to predicting cognitive performance: Difficulty level, reaction time and eye-movements Decision Support Systems, Volume 155, April 2022, 113713 (год публикации - 2021)
10.1016/j.dss.2021.113713

2. Пронин И.Н., Смирнов А.C., Мельникова-Пицхелаури Т.В., Шараев М.Г., Бернштейн А.В., Яркин В.Э., Жуков В.Ю., Буклина С.Б, Погосбекян Э.Л., Афандиев Р. М., Пицхелаури Д.И. Применение машинного обучения для предоперационного картирования по данным фМРТ покоя: сравнение со стимул-зависимой фМРТ и прямой электрической стимуляцией коры Журнал «Вопросы нейрохирургии» имени Н.Н. Бурденко (год публикации - 2022)

3. Сюняков Т.С., Шараев М.Г., Савилов В.Б., Карпенко О.А., Курмышев М.В., Яркин В.Э., Ушаков В.Л., Бибяев А.Н., Соловьёва К.П., Андрющенко А.В. A Comparison of Regional Brain Volumes in Older Adults With and Without History of COVID-19 Consortium Psychiatricum, Volume 3 | Issue 1 (год публикации - 2022)
10.17816/CP145

4. Шараев М.Г., Малашенкова И.К., Масленникова А.В., Захарова Н.В., Бернштейн А.В., Мамедова Г.Ш., Крынский С.А., Огурцов Д.П., Кондратьева Е.А., Дружинина П.В., Архипов А. Ю., Стрелец В. Б., Ушаков В.Л. Диагностика шизофрении по данным различных модальностей: биомаркеры и методы машинного обучения (обзор) Современные технологии в медицине (год публикации - 2022)

5. Зубрихина М.О., Абрамова О.В., Яркин В.Э., Ушаков В.Л., Очнева А.Г., Бернштейн А.В., Бурнаев Е.В., Андреюк Д.С., Савилов В.Б., Курмышев М.В., Сюняков Т.С., Карпенко А.В., Андрющенко А.В., Костюк Г.П., Шараев М.Г. Machine learning approaches to mild cognitive impairment detection based on structural MRI data and morphometric features Cognitive Systems Research, том 78, стр. 87-95 (год публикации - 2023)
10.1016/j.cogsys.2022.12.005

6. Бурнаев Е.В., Бернштейн А.В., Шараев М.Г. ИИ в нейрорентгенологии: стандартные подходы и перспективы Альманах искусственный интеллект №11 ИИ в здравоохранении, 11 выпуск (год публикации - 2022)

7. Бурнаев Е.В., Бернштейн А.В., Шараев М.Г. Предоперационное планирование в неврологии Альманах искусственный интеллект №11 ИИ в здравоохранении, 11 выпуск (год публикации - 2022)

8. Зубрихина М.О., Масный Д.И., Хамуди Р., Альхаж Х., Исса Б., Кустубаева А.М., Камзанова А., Жолдассова М., Бернштейн А.В., Бурнаев Е.В., Артемов А.В., Шараев М.Г. Autoencoders with Deformable Convolutions for latent representation of EEG Spectrograms in classification tasks SPIE Conference Proceedings (год публикации - 2023)

9. Малашенкова И.К., Крынский С.А., Огурцов Д.П., Хайлов Н.А., Дружинина П.В., Бернштейн А.В., Артемов А.В., Шараев М.Г., Мамедова Г.Ш., Захарова Н.В., Костюк Г.П., Ушаков В.Л. Идентификация диагностических биомаркеров шизофрении на основе исследования параметров иммунитета и системного воспаления с помощью моделей машинного обучения Современные технологии в медицине (год публикации - 2023)

10. Бузид A., Алмидани А., Зубрихина М.О.,Камзанова А., Йенер Ильче Б., Жолдасова М., Юсуф А.М., Бхамидимарри П.М., Аль Хадж А.А., Кустубаева А.М., Бернштейн А.В., Бурнаев Е.В., Шараев М.Г., Хамуди Р. Integrative bioinformatics and artificial intelligence analyses of transcriptomics data identified genes associated with major depressive disorders including NRG1 Neurobiology of Stress, 26 (2023) 100555 (год публикации - 2023)
10.1016/j.ynstr.2023.100555

11. Бойко М.О., Антипушина Е.С., Бернштейн А.В., Шараев М.Г., Апанович Н.В., Матвеев В.Б., Алферова В.В., Матвеев А.В. Interpretable AI models for predicting distant metastasis development based on genetic data: kidney cancer example BIO Web Conferences, Volume 100, 2024 (год публикации - 2024)
10.1051/bioconf/202410001009

12. Шараев М.Г., Некрашевич М.В., Костанян Д.Г., Войнова В.Ю., Сысоева О.В. Auditory event-related potential differentiates girls with Rett syndrome from their typically-developing peers with high accuracy: Machine learning study Cognitive Systems Research, Volume 85 (год публикации - 2024)
10.1016/j.cogsys.2024.101214

13. Бернштейн А.В., Бурнаев Е.В., Шараев М.Г. Модели искусственного интеллекта для обнаружения и локализации областей интереса головного мозга по мультимодальным нейровизуализационным данным Сборник трудов Конференции «Анализ данных в медицине» (Data Science in Medicine) (год публикации - 2024)

14. Ушаков В.Л., Захарова Н.В., Бравве Л.В., Мамедова Г.Ш., Карташов С.И., Костюк Г.П. Корреляционный анализ тяжести доменов симптомов острого психоза и фракционной анизотропии трактов белого вещества головного мозга при шизофрении Современные технологии в медицине (год публикации - 2024)

15. Смирнов А.C., Мельникова-Пицхелаури Т.В., Шараев М.Г., Яркин В.Э., Туркин А.М., Афандиев Р.М., Хасиева Л.М., Пицхелаури Д.И., Пронин И.Н. Сравнение функциональной МРТ в состоянии покоя и стимул-зависимой функциональной МРТ в предоперационном неинвазивном картировании пациентов с глиомами головного мозга Журнал «Вопросы нейрохирургии» имени Н.Н. Бурденко (год публикации - 2022)

16. Дружинина П.В., Кондратьева Е.А., Боженко А.А., Яркин В.Э., Шараев М.Г., Курмуков А.И. BRATS2021: exploring each sequence in multi-modal input for baseline U-net performance Springer LNCS proceedings (год публикации - 2022)

Публикации