Pulsar - portal popularnonaukowy Pulsar - portal popularnonaukowy Shutterstock
Zdrowie

Sztuczna inteligencja pomogła ustalić cztery podtypy zaburzeń ze spektrum autyzmu

Możliwości płynące z uczenia maszynowego mogą pomóc przy personalizacji leczenia, a w konsekwencji poprawić jego skuteczność.

Od dawna wiadomo, że autyzm nie jest chorobą. Określa się go jako spektrum, ponieważ w skład przypisywanych mu zaburzeń wchodzi wiele problemów utrudniających codzienne funkcjonowanie. Od mocno nasilonych, z brakiem mowy i licznymi deficytami zmysłów, które uniemożliwiają samodzielne życie, po kłopoty bardziej subtelne, jak problemy z organizacją czasu, rozumieniem otaczającego świata i emocji wyrażanych przez innych ludzi. Jedni pacjenci dobrze radzą sobie w szkołach i na studiach, po których mogą rozpocząć pracę, inni od dzieciństwa mają poważne trudności w relacjach społecznych.

Autorzy badania, którego wyniki opublikowano w „Nature Neuroscience” wykorzystali uczenie maszynowe do analizy nowo dostępnych danych neuroobrazowania od 299 osób z autyzmem i 907 osób neurotypowych, aby sprawdzić, jak wspomniane różnice behawioralne korelują ze zmianami w mózgu. Ten sam zespół naukowców z Weill Cornell Medicine już w 2017 r. skorzystał z podobnej pomocy sztucznej inteligencji do identyfikacji czterech odrębnych podtypów depresji, a późniejsze prace wykazały, że te podgrupy inaczej reagują na różne metody leczenia.

Czy w przypadku autyzmu może być podobnie? „Do tej pory uważano, że istnieje wiele różnych rodzajów zaburzeń z jego spektrum, które mogą wymagać odmiennego podejścia terapeutycznego, ale nie było zgody co do tego, jak je zdefiniować” – mówi dr Conor Liston, profesor psychiatrii i neurologii w Feil Family Brain i Mind Research Institute w Weill Cornell Medicine, współautor pracy.

Obecnie z autyzmu nie da się nikogo wyleczyć. Zaburzenie wynika ze specyficznego sposobu pracy ośrodkowego układu nerwowego, więc wdrażane terapie mogą jedynie poprawiać funkcjonowanie takich osób, lecz nie usuwają żadnej przyczyny. Stosowane metody terapeutyczne nie zawsze zresztą przynoszą oczekiwane efekty. „Jedną z barier jest to – precyzuje dr Liston – że kryteria diagnostyczne autyzmu są szerokie, więc mają zastosowanie do dużej i zróżnicowanej grupy o różnych mechanizmach biologicznych”.

Do niedawna nie było wystarczająco dużych zbiorów danych z funkcjonalnego rezonansu magnetycznego u pacjentów z autyzmem, aby przeprowadzić badania uczenia maszynowego na dużą skalę. To się jednak zmieniło i na podstawie różnic w regionalnej ekspresji genów udało się potwierdzić występowanie czterech podgrup, którym sztuczna inteligencja przyporządkowała odmienne funkcjonowanie mózgu w powiązaniu z różnymi szlakami molekularnymi. Pomimo podobieństw behawioralnych, badacze odkryli różne wzorce połączeń mózgowych w tych czterech podgrupach.

Ten sam zespół naukowców będzie kontynuował badania nad potencjalnymi terapiami w poszczególnych podgrupach, ale ponieważ są one w fazie przedklinicznej, zostaną najpierw przeprowadzone na myszach. Trwa również praca nad dalszym udoskonalaniem technik uczenia maszynowego.


To jest pierwsza wzmianka na ten temat. Jeśli z niej korzystasz, powołaj się na źródło, czyli na www.projektpulsar.pl. Dziękujemy.

Ta strona do poprawnego działania wymaga włączenia mechanizmu "ciasteczek" w przeglądarce.

Powrót na stronę główną