Specjalny algorytm ma się nauczyć wykrywać prawdopodobieństwo wystąpienia depresji u pacjentów na podstawie skanów MRI, danych pochodzących z genomu i innych potencjalnych źródeł informacji. Nad wytrenowaniem algorytmu pracuje aktualnie grupa badawcza pod kierunkiem Davida Schnyera z University of Texas Austin.

Jak tłumaczy Schnyer, celem grupy jest stworzenie metody diagnozowania schorzeń takich, jak depresja czy demencja. W tym momencie program jest w stanie przewidzieć wystąpienie choroby z 75-procentowym prawdopodobieństwem.

Aby osiągnąć ten wynik, naukowcy wprowadzili do komputera zestaw przykładowych skanów MRI. Oznaczono je odpowiednio jako należące do osoby zdrowej lub ze zdiagnozowaną depresją. Program przeanalizował dane, poszukując nieznacznych różnic pomiędzy dwiema grupami i w oparciu o nie stworzył model, który przypisuje nowe przykłady do jednej z grup.

Uczestnicy badania zostali poddani badaniu za pomocą specjalnego typu skanów MRI - obrazowaniu tensora dyfuzji. Dzięki niemu można mierzyć dyfuzję molekuł wody w tkance mózgu oraz zobrazować zmiany w połączeniach istoty białej. Jak się okazało, ludzie z depresją różnią się od zdrowych właśnie pod względem połączeń istoty białej.

Pozwala to sądzić, że informacje pomagające przewidzieć depresję są rozmieszczone w całym mózgu - a nie zlokalizowane w jednym tylko miejscu - sugerują autorzy badania.

Naukowcy podkreślają, że rola uczenia maszynowego przy tego typu zadaniach jest nieoceniona – danych ze skanów MRI jest za dużo, żeby mogły zostać przeanalizowane przez człowieka. Ich zdaniem trend ten będzie się rozwijał.