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 опубликованной в PLOS One статьи продемонстрировали, что по этим данным можно делать осмысленные прогнозы, обучив модель машинного обучения определять возраст ребёнка на основании показателей УЗИ.
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.
Рисунок 1. 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. Источник: Мари Арсалиду и др./PLOS On
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, которое освещено в этом материале, 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.
Научный коллектив благодарит сотрудников школ, родителей и в особенности детей за участие в исследовании.
Контакты:
Skoltech Communications
+7 (495) 280 14 81
