An explainable hierarchical machine learning framework for schizophrenia biomarker detection based on electroencephalogram signals

Het menselijk brein is een uitgestrekt, gonzend netwerk van elektrische signalen, dat constant vuurt in patronen die verschuiven met onze gedachten, emoties en gezondheidstoestanden. Decennialang hebben artsen vertrouwd op interviews en observatie om complexe mentale gezondheidstoestanden te diagnosticeren, zoals schizofrenie, een stoornis die de manier waarop een persoon denkt, voelt en met de wereld interageert, verandert. Hoewel deze klinische methoden essentieel zijn, zijn ze ook subjectief, wat vaak leidt tot vertragingen of misclassificaties. In de afgelopen jaren hebben wetenschappers zich gericht op elektro-encefalografie, of EEG, een niet-invasieve techniek waarbij sensoren op de hoofdhuid worden geplaatst om de elektrische activiteit van het brein te registreren. In tegen tegenstelling tot dure hersenscans is EEG betaalbaar en draagbaar, waardoor het een direct venster biedt op de real-time dynamiek van het brein. De uitdaging is altijd geweest dat deze elektrische signalen ongelooflijk complex en subtiel zijn, wat het moeilijk maakt om de specifieke patronen te herkennen die een gezond brein onderscheiden van een brein dat door ziekte wordt aangetast.

Een team van onderzoekers van verschillende universiteiten in Iran heeft een nieuwe manier ontwikkeld om dit probleem aan te pakken, door een systeem te creëren dat niet alleen deze patronen identificeert, maar ook uitlegt hoe het ze precies heeft gevonden. Door opnames te analyseren van 101 mensen—51 gediagnosticeerd met schizofrenie en 50 gezonde vrijwilligers—hebben de onderzoekers een machine learning-framework gebouwd dat in staat is om de twee groepen met opmerkelijke nauwkeurigheid van elkaar te onderscheiden. De studie richtte zich op twee specifieke toestanden: wanneer de deelnemers met hun ogen gesloten zaten en wanneer zij met hun ogen open zaten. Het systeem gaf niet simpelweg een gok; het zocht door duizenden wiskundige beschrijvingen van de hersengolven, selecteerde de meest veelzeggende, en gebruikte een krachtig computeralgoritme om zijn beslissing te nemen. Cruciaal is dat de onderzoekers niet stopten bij een simpel "ja of nee"-antwoord. Ze gebruikten een methode om de lagen van de besluitvorming van de computer af te pellen, waardoor werd onthuld welke specifieke delen van het brein en welk type elektrische activiteit het belangrijkst waren voor de diagnose.

De kern van dit werk ligt in de manier waarop de onderzoekers de enorme hoeveelheid gegevens die door de EEG-sensoren werd verzameld, hebben verwerkt. Elke opname produceerde een enorme hoeveelheid informatie, veel te veel voor een computer om efficiënt te verwerken zonder in de war te raken. Om dit op te lossen, gebruikte het team een stapsgewijs selectieproces om de twintig meest nuttige metingen te vinden uit de duizenden beschikbare. Deze metingen waren niet slechts eenvoudige gemiddelden; ze bevatten complexe beschrijvingen van hoe chaotisch of ordelijk de hersengolven waren, evenals hoeveel energie aanwezig was in verschillende snelheidsbereiken van de signalen. Zodra deze kleinere, hoogwaardige set gegevens klaar was, testten de onderzoekers tien verschillende soorten computerleer-modellen om te zien welk model de patiënten het beste van de gezonde controles kon scheiden. Ze gebruikten een rigoureuze testmethode waarbij de computer werd getraind op gegevens van bijna iedereen en vervolgens werd getest op een enkele persoon die hij nog nooit eerder had gezien, waarbij dit voor elke deelnemer werd herhaald om te garanderen dat de resultaten echt waren en niet slechts een gelukkige gok.

De resultaten toonden aan dat de computermodellen het best presteerden wanneer de deelnemers hun ogen gesloten hadden. In deze rustige, rusttoestand identificeerden de meest succesvolle modellen de conditie ongeveer 81 procent van de tijd correct. De modellen die het beste werkten, waren die welke nabootsen hoe een groep experts over een beslissing zou stemmen, door veel kleine oordelen te combineren om tot een uiteindelijke conclusie te komen. Wanneer de deelnemers hun ogen openden, konden de modellen de groepen nog steeds onderscheiden, maar de nauwkeurigheid daalde iets, wat suggereert dat de interne, rustende activiteit van het brein duidelijkere tekenen van de stoornis bevat dan de activiteit terwijl het de buitenwereld verwerkt. De computer vertrouwde niet op één enkel type signaal om deze oordelen te vellen; in plaats daarvan vond het dat een mix van verschillende metingen het beste werkte. De belangrijkste signalen kwamen uit de voorkant en de zijkanten van het brein, specifiek betrokken bij de snelheid van de golven en de complexiteit van hun patronen.

Misschien wel de meest significante bijdrage van deze studie is de transparantie die het naar het proces brengt. In veel eerdere pogingen om computers te gebruiken voor medische diagnose, fungeert het systeem als een "black box", die een antwoord geeft zonder uit te leggen waarom. Hier gebruikten de onderzoekers een hulpmiddel om in kaart te brengen welke kenmerken precies de beslissingen van de computer dreven. Ze ontdekten dat het meest invloedrijke signaal een maatstaf voor complexiteit was vanuit het voor midden van het brein. Wanneer dit signaal zeer complex was, neigde de computer naar een diagnose van schizofrenie; wanneer het eenvoudiger was, neigde het naar een gezonde diagnose. Andere belangrijke signalen omvatten de sterkte van specifieke hersengolfritmiek in de temporale regio's aan de zijkanten van het hoofd. Deze bevinding suggereert dat de stoornis niet wordt gedefinieerd door één enkel defect deel van het brein, maar door een combinatie van veranderingen in hoe verschillende regio's informatie verwerken en hoe chaotisch hun elektrische activiteit wordt.

De onderzoekers merkten er zorgvuldig bij op dat hoewel hun systeem goed presteerde, het werd getest op een specifieke groep mensen uit een enkel medisch centrum. Dit betekent dat de bevindingen veelbelovend zijn, maar nog niet de definitieve oplossing vormen voor elk ziekenhuis in de wereld. De studie voert expliciet een argument tegen het idee dat eenvoudige, kleinschalige tests voldoende zijn, en laat zien dat eerdere studies met zeer weinig deelnemers vaak te optimistische resultaten produceerden die niet standhielden bij een striktere test. Door een grotere groep mensen en een strengere testmethode te gebruiken, geeft deze studie een realistischer beeld van wat mogelijk is. Het werk demonstreert dat het combineren van een zorgvuldige selectie van hersengolfmetingen met geavanceerd computerleren een betrouwbaar instrument voor diagnose kan creëren. Het bewijst ook dat deze instrumenten begrijpelijk kunnen worden gemaakt, door artsen en patiënten precies te laten zien welke biologische signalen worden gebruikt om tot een conclusie te komen. Deze benadering biedt een pad naar meer objectieve, brein-gebaseerde instrumenten die artsen op een dag kunnen helpen schizofrenie eerder en nauwkeuriger te diagnosticeren, bewegend van subjectieve interviews naar een helderder begrip van de elektrische realiteit van het brein.