kopsavilkums: Pētnieku komanda ir izstrādājusi prognozēšanas modeli, lai, izmantojot mašīnmācīšanos, atpazītu pastāvīgas negatīvas domāšanas vai atgremojuma modeļus.
Pētnieki izvirzīja hipotēzi, ka dinamiskās savienojamības atšķirības starp konkrētiem smadzeņu reģioniem, piemēram, dorsolaterālo mediālo prefrontālo garozu (dmPFC), var būt saistītas ar atgremošanu. Smadzeņu aktivitāte dalībniekiem tika mērīta, izmantojot funkcionālo magnētiskās rezonanses attēlveidošanu (fMRI).
Šis novatoriskais modelis var nodrošināt vērtīgu depresijas biomarķieri, palīdzot agrīni atklāt un uzraudzīt ārstēšanas progresu.
Atslēgas fakti:
- Pētnieku komanda veiksmīgi apmācīja mašīnmācīšanās modeļus, lai tuvinātu atgremojuma rādītājus, pamatojoties uz dalībnieku fMRI datiem.
- No visiem noklusējuma režīma tīkla reģioniem tikai modelis, kas balstīts uz dorsolaterālo mediālo prefrontālo garozu (dmPFC), bija veiksmīgs, lai prognozētu atgremojuma rezultātus.
- Modelis arī bija veiksmīgs, prognozējot depresijas iznākumus faktiskajiem pacientiem ar smagiem depresijas traucējumiem (MDD), uzsverot tā potenciālu kā vērtīgu depresijas biomarķieri.
avots: Pamatzinātņu institūts
Mūsu prāti bieži vien ir pārņemti ar atkārtotām domām, piemēram, pagātnes kļūdām, nožēlu, nedrošību vai neatrisinātiem konfliktiem. Šis pastāvīgās negatīvās domāšanas modelis, ko sauc par atgremošanu, var kaitīgi ietekmēt garīgo veselību, izraisot tādus apstākļus kā depresija un trauksme.
Atzīstot atgremošanu par galveno depresijas riska faktoru, pētnieki ir strādājuši, lai identificētu tās nervu parakstu un izstrādātu agrīnas noteikšanas metodes.
Zinātnieku komanda, kuru vadīja KIM Jungwoo no Pamatzinātņu institūta (IBS) Neirozinātnes un attēlveidošanas pētniecības centra (CNIR), sadarbībā ar pētniekiem no Arizonas Universitātes un Dartmutas koledžas veica pētījumu, lai izstrādātu prognozēšanas modeli. atgremošanai, izmantojot mašīnmācības spēku.
Iepriekšējie pētījumi ir saistījuši smadzeņu reģionu tīklu, ko sauc par “noklusējuma režīma tīklu” (DMN), ar atgremošanu. Tomēr konkrētais reģions, kas ir atbildīgs par individuālajām atšķirībām atgremošanā, palika neskaidrs.
Komanda izvirzīja hipotēzi, ka dinamiskā savienojamības dispersija, kas mēra mijiedarbības stabilitāti starp smadzeņu reģioniem laika gaitā, varētu būt saistīta ar atgremošanu tās laika stabilitātes dēļ.
Lai to pārbaudītu, viņi izmantoja funkcionālo magnētiskās rezonanses attēlveidošanu (fMRI), lai noteiktu smadzeņu darbību veseliem dalībniekiem miera stāvoklī. Izmantojot dinamiskās savienojamības atšķirības starp katru DMN un smadzeņu reģioniem visā smadzenēs kā ievadi un pašpārskata mērījumus par atgremošanas rezultātiem, pētnieki apmācīja mašīnmācīšanās modeļus, lai tuvinātu atgremojuma rādītājus, pamatojoties uz dalībnieku fMRI datiem.
No visiem DMN reģioniem tikai modelis, kas balstīts uz dorsolaterālo mediālo prefrontālo garozu (dmPFC), bija veiksmīgs, lai prognozētu atgremojuma rezultātus veseliem dalībniekiem.
Turklāt tika konstatēts, ka dinamiskā savienojamība starp dmPFC un apakšējo frontālo girusu, kā arī smadzenītēm ir īpaši svarīga, lai prognozētu atgremošanu.
Šie atklājumi uzsver dmPFC nozīmi atgremošanā un depresijā, kas atbilst iepriekšējiem pētījumiem, kas saistīja šo reģionu ar augstāka līmeņa refleksu procesiem indivīdos.
Konkrēti, modelis bija arī veiksmīgs, prognozējot depresijas iznākumus faktiskajiem pacientiem ar smagiem depresijas traucējumiem (MDD). Tādējādi modelis ir daudzsološs kā vērtīgs depresijas biomarķieris, kas palīdz identificēt riskam pakļautās personas un uzraudzīt ārstēšanas progresu.
Izceļot domāšanas neironu pamatu un tās saistību ar depresiju, šis pētījums veicina garīgās veselības pētījumu attīstību un var novest pie efektīvākas iejaukšanās un labākiem rezultātiem depresīviem cilvēkiem.
Profesors WOO Choong-Wan, vadošais autors, teica: “Dabisko domu plūsmu dinamiskie modeļi lielā mērā ietekmē mūsu noskaņojumu un emocionālo stāvokli.
Atgremošana ir viens no svarīgākajiem domāšanas modeļiem, un šis pētījums parāda, ka tendenci uz atgremošanu var atšifrēt no smadzeņu savienojamības, ko mēra ar fMRI.
“Mēs ceram, ka šis pētījums turpinās virzīties uz priekšu un ka neiroattēlveidošanu nākotnē var izmantot, lai uzraudzītu un pārvaldītu garīgo veselību.”
Turpmāk pētnieki plāno apstiprināt un pilnveidot prognozēšanas modeli, izmantojot lielākas un daudzveidīgākas populācijas. To mērķis ir arī izpētīt šī modeļa iespējamos pielietojumus klīniskajos apstākļos un apvienot to ar pašreizējām diagnostikas un ārstēšanas pieejām.
Pastāvīgi pētījumi šajā jomā var radīt personalizētas iejaukšanās, kas efektīvāk vērstas uz atgremošanu un depresiju, galu galā uzlabojot šo apstākļu skarto personu dzīvi.
Atdomas par šo mašīnmācīšanos un meklēšanas jaunumiem
autors: Viljams Sū
avots: Pamatzinātņu institūts
komunikācija: Viljams Suhs – Pamatzinātņu institūts
bilde: Attēls pievienots Neuroscience News
Sākotnējā meklēšana: atvērta piekļuve.
“Dinamisks funkcionālās savienojamības modelis, kura pamatā ir atgremojuma dorsolaterālā mediālā garozaRaksta Kim Jongwoo et al. Dabas sakari
kopsavilkums
Dinamisks funkcionālās savienojamības modelis, kura pamatā ir atgremojuma dorsolaterālā mediālā garoza
Atgremošana ir kognitīvs stils, kam raksturīgas atkārtotas domas par negatīviem iekšējiem stāvokļiem, un tas ir izplatīts depresijas simptoms. Iepriekšējie pētījumi ir saistījuši iezīmju atgremošanu ar izmaiņām noklusējuma režīma tīklā, taču nav paredzamu smadzeņu marķieru par atgremošanu.
Šeit mēs izmantojam prognozēšanas modelēšanas pieeju, lai izstrādātu neiroattēlveidošanas meditācijas marķieri, pamatojoties uz miera stāvokļa dinamiskās funkcionālās savienojamības dispersiju, un pārbaudītu to 5 dažādos klīniskos apakšparaugos (kopā n= 288).
Šķiet, ka visu smadzeņu punktu skaits, kas balstīts uz dinamisko savienojamību ar muguras prefrontālo garozu (dmPFC), ir vispārināms subklīniskajās datu kopās. Uzlabots marķieris, kas sastāv no svarīgākajām iezīmēm no noklusējuma bojājumu analīzes, arī prognozē depresijas rādītāju pieaugušajiem ar smagiem depresijas traucējumiem (n= 35).
Šis pētījums izceļ dmPFC lomu iezīmju atgremošanā un nodrošina dinamisku funkcionālu savienojamības marķieri meditācijai.
