Исследователи Сколтеха и их коллеги из ВШЭ и Йоркского университета в Канаде представили обширный датасет показателей, полученных из ультразвуковых снимков трёх основных артерий, снабжающих кровью мозг. В выборке — 821 участник, большинство из которых — ученики обычных школ. Это придаёт датасету особую ценность, поскольку ранее в основном исследовались или другие возрастные группы, или дети с разного рода диагнозами. Научный коллектив считает, что новые данные пригодятся как врачам — в качестве ориентира для справки, так и исследователям детского развития и др. Сами же авторы продемонстрировали, что по этим данным можно делать осмысленные прогнозы, обучив модель машинного обучения определять возраст ребёнка на основании показателей УЗИ.
Чёрными точками отмечены участки на средней мозговой, внутренней сонной и позвоночной артериях, где проводилось ультразвуковое исследование. Измерения сделаны симметрично в обоих полушариях. Из данных УЗИ выводится диаметр артерии и локальная скорость кровотока — эти две основные величины и используются в дальнейших расчётах.
© Marie Arsalidou et al./PLOS On, 2022
Ультразвуковое исследование — сравнительно недорогая медицинская процедура на стандартном оборудовании. Она широко применяется, например, при ведении беременности, но УЗИ артерий кровоснабжения мозга — довольно редкая диагностика, которую не проводят без специфических медицинских показаний, тем более в детском возрасте.
«УЗИ чаще делают во взрослом и пожилом возрасте, а те исследования детей, что есть, в основном касаются пациентов с нарушениями развития нервной системы. Наша же работа рассматривает фундаментальные вопросы различий между возрастными группами, гендерами, двумя полушариями и разными артериями. Если говорить конкретнее, мы смотрим с ракурса нейропсихического развития детей, которое в конечном счёте может быть связано с успешностью их деятельности, например с оценками в школе», — прокомментировала результаты исследования его первый автор, доцент НИУ ВШЭ и адъюнкт-профессор Йоркского университета Мари Арсалиду.
Данные упорядочены разбивкой по возрастным группам и гендерам и могут использоваться исследователями и врачами как ориентир, задающий если не нормативные показатели здорового ребёнка, то по крайней мере типичные показатели среднестатистического школьника соответствующего возраста. Кроме того, в перспективе наличие нового датасета может поспособствовать появлению продвинутых систем поддержки принятия решений на основе искусственного интеллекта, которые помогут медикам.
В качестве подтверждения, что по данным УЗИ действительно можно делать осмысленные предсказания, коллектив разработал и обучил модель, которая способна весьма точно определять возраст ребенка на основании извлечённых из его ультрасонограммы показателей: скорости кровотока и диаметра сосудов. В будущем исследователи попытаются подобным образом предсказывать более тонкие параметры, связанные, в частности, с когнитивными способностями детей.
Старший научный сотрудник Максим Шараев, который руководил командой из Сколтеха, добавил: «Ещё одно направление, которое открывается с появлением новых данных, — это интерпретация предсказаний моделей. Если говорить о нашей модели предсказания возраста, мы видим, что показатели мальчиков и девочек очень похожи, а различия касаются в первую очередь полушарий мозга. Причём в некоторых возрастных группах эти различия ещё более ярко выражены, и мы в связи с этим наметили ориентиры для новых исследований в области биологии развития».
Модели машинного обучения, на которых в исследовании испытывали датасет, не просто показывают, что датасет годится для предсказаний, — можно также отследить, какие именно аспекты данных играют решающую роль в том или ином случае. «Мы можем посмотреть, какие признаки сделали наибольший вклад в предсказание модели и поискать среди них биомаркеры. Это такие показатели, которые в случае успешной проверки на других данных можно использовать как непосредственный индикатор состояния организма, в том числе наличия патологии. Биомаркеры нужны врачам для принятия решений и учёным для создания ещё более эффективных моделей», — заключил Шараев.
Авторы исследования выражают свою признательность за финансирование, полученное Мари Арсалиду по гранту № 17-18-01047 Российского научного фонда, а также предоставленное Аналитическим центром при Правительстве РФ для покрытия части работы над моделями машинного обучения в рамках соглашения о субсидировании 000000D730321P5Q0002, гранта № 70-2021-00145 от 2 ноября 2021 года.
Статья опубликованной в журнале PLOS One
Источник: skoltech.ru
