رویکرد نوین در تحلیل تصویربرداری عصبی

روش نوآورانه‌ای برای پیش‌بینی رفتارها با استفاده از داده‌های تصویربرداری مغزی

گروهی از عصب‌شناسان مستقر در دانشگاه کالیفرنیا، سن دیگو، روشی را در تصویربرداری عصبی به کار گرفته‌اند که به اعتقاد آن‌ها می‌تواند به احیای کار بسیاری از پژوهشگران مغز کمک کند. این تحقیق که در مجله Cerebral Cortex منتشر شده است، روشی را برای استفاده از داده‌های تصویربرداری عصبی به منظور پیش‌بینی عناصر شناختی و متغیرهای رفتاری ارائه می‌دهد.

این تکنیک شامل بررسی تصاویر تصویربرداری تشدید مغناطیسی (MRI) مغز می‌باشد تا ارتباطات مختلفی با رفتارها پیدا کند و سپس پیش‌بینی‌های ناشی از آن ارتباطات را به یک نمونه مستقل و نادیده اعمال نماید. کارولینا ماکوسکی، دکترای پسادکتری در دپارتمان رادیولوژی دانشگاه کالیفرنیا، سن دیگو، توضیح می‌دهد که پژوهشگران معمولاً از MRI برای بررسی ساختارهای خاص مغز به منظور تعیین نقش آن‌ها در رفتارها یا توانایی‌هایی مانند حافظه کوتاه‌مدت، توانایی حل مسئله یا دامنه وسیعی از عملکردهای شناختی استفاده می‌کنند.

ماکوسکی، نویسنده اول و نویسنده مسئول مقاله، گفت که کار گروه نشان می‌دهد می‌توان بر این باور عمومی غلبه کرد که مطالعات تصویربرداری عصبی نمی‌توانند نتایج معناداری ارائه دهند مگر اینکه شامل هزاران شرکت‌کننده باشد. او بیان کرد: “همیشه امکان‌پذیر نیست که هزاران فرد داشته باشیم.” او افزود: “بسیاری از مطالعات و کمک‌های مالی بر اساس مجموعه‌های داده کوچک‌تر انجام می‌شوند.”

تیم تحقیقاتی دریافت که استفاده صحیح از روش‌های چندمتغیره می‌تواند نتایج رضایت‌بخشی را با مطالعاتی که شامل چندین ده شرکت‌کننده هستند، به دست آورد. به گفته ماکوسکی، مطالعات معمولی تصویربرداری عصبی از تحلیل‌های تک‌متغیره استفاده می‌کنند که یک همبستگی یا ارتباط بین یک نقطه در مغز و یک رفتار را آزمایش می‌کند. او توضیح داد: “در این صورت، بله، ممکن است به هزاران شرکت‌کننده در مطالعه نیاز داشته باشید.” او افزود که مطالعات چندمتغیره الگوی ارتباطات را در نظر می‌گیرند.

علاوه بر این، ماکوسکی گفت که گروه بزرگ‌ترین اثرات همبستگی و ارتباط را با تمرکز بر داده‌های MRI عملکردی مبتنی بر وظیفه مشاهده کردند. او گفت: “این موضوع به ویژه برای وظیفه‌ای که به فرآیندهای حافظه کاری مربوط می‌شود، قوی بود.” او ادامه داد: “این الگوهای فعال‌سازی وظیفه پیش‌بینی‌کننده شناخت عمومی و همچنین رفتارهای مرتبط با خود وظیفه بودند.”

همکار نویسنده تری ال. جرنیگان، دکترای علوم شناختی، روانپزشکی و رادیولوژی در دانشگاه کالیفرنیا، سن دیگو و مدیر مرکز توسعه انسانی، افزود که تیم توانست نتایج خوبی از مجموعه‌های داده کوچک‌تر به دست آورد با “آموزش و تنظیم” مجموعه‌های داده بزرگ با استفاده از روش‌های تحلیل چندمتغیره. برای آموزش، تیم از پایگاه داده مطالعه توسعه شناختی مغز نوجوانان (ABCD) استفاده کرد، که شامل MRI‌های حدود ۱۲,۰۰۰ کودک نه و ده ساله است.

جرنیگان گفت: “زمانی که داده‌های به‌ویژه خوب ساختار یافته‌ای وجود دارد که به نتایج پیچیده‌ای که امیدواریم پیش‌بینی کنیم، مرتبط هستند، می‌توانیم از روش‌های چندمتغیره – که به‌طور معمول به عنوان هوش مصنوعی نیز شناخته می‌شوند – برای ‘آموزش’ یک مجموعه داده بزرگ استفاده کنیم.” او افزود که “تنظیم” روابط انتخابی در یک مجموعه داده بزرگ، قدرت پیش‌بینی را هنگام اعمال بر روی مطالعات کوچک‌تر تقویت می‌کند.

تحقیقات جدید در زمینه توسعه شناختی مغز نوجوانان

ماکوسکی افزود که به طور کلی، هر چه نمونه آموزشی بزرگ‌تر باشد، مطالعه واقعی می‌تواند کوچک‌تر باشد. اما حتی نمونه آموزشی نیز لزوماً نیازی به شامل کردن هزاران فرد ندارد، به خصوص اگر از ابتدا با اثرهای قوی کار می‌کنید. او گفت: “بنابراین، در پیش‌بینی شناخت عمومی، اگر شما ۵۰۰۰ کودک در نمونه آموزشی داشته باشید، می‌توانید از فعالیت مغزی مرتبط با حافظه کاری برای پیش‌بینی شناخت با تنها ۴۰ کودک در نمونه تکرار استفاده کنید. حتی با ۱۰۰ کودک در نمونه آموزشی، ما هنوز هم توانستیم شناخت را به خوبی پیش‌بینی کنیم با تنها ۶۰ کودک در نمونه تکرار با استفاده از همین الگوهای فعالیت مغزی.”

آندرس ام. دیل، نویسنده ارشد و همکار، دکترای علوم اعصاب، روانپزشکی، علوم شناختی و علوم داده در دانشگاه کالیفرنیا، سن دیگو، گفت که روش گروه تحقیقاتی به دانشمندان کمک می‌کند تا از تمام پتانسیل پایگاه داده ABCD بهره‌برداری کنند و این امکان را به آن‌ها می‌دهد که بر روی بخش‌های کوچک‌تری از این مطالعه بزرگ تمرکز کنند که برای نتایج بهداشتی مختلف مرتبط است. او گفت: “دلیلی وجود دارد که ABCD از ابتدا اینقدر بزرگ بود. واقعاً به این دلیل بود که شما می‌خواستید بتوانید اثرات را در یک زیرمجموعه از افراد مشاهده کنید. ما می‌خواهیم به مسائلی مانند نتایج مصرف مواد، نتایج روانپزشکی و زوال عقل بپردازیم. به همین دلیل این مطالعه به این شکل طراحی شده است.”

دیل افزود که قدرت پیش‌بینی رویکرد نمونه کوچک می‌تواند زمانی که با انواع دیگر تحلیل‌ها، مانند مطالعات ژنتیکی یا انواع دیگر تصویربرداری ترکیب شود، تقویت شود. تیم براون، دکترای علوم اعصاب و یکی از نویسندگان این تحقیق، گفت که انتشار این مقاله اهمیت زیادی دارد زیرا درهای جدیدی را باز می‌کند که پژوهشگران مغز در سراسر جهان فکر می‌کردند به دلیل مقاله‌ای در سال ۲۰۲۲ که ادعا می‌کرد تنها پایگاه‌های داده بسیار بزرگ می‌توانند نتایج ارزشمندی تولید کنند، بسته شده است. او گفت: “شما یک گروه بزرگ از دارندگان گرنت دارید که در مطالعات خود هزاران فرد ندارند. و ناگهان به آن‌ها گفته می‌شود: ‘شما نمی‌توانید کارهای قابل تکرار انجام دهید.’ آنچه ما نشان می‌دهیم این است که مطالعات ارتباطی مغز در سطح وسیع نیازی به هزاران فرد ندارند.”

اعضای دیگر گروه تحقیقاتی

• ویچی ژائو، مرکز تصویربرداری چندوجهی و ژنتیک و دپارتمان علوم شناختی، دانشگاه کالیفرنیا، سن دیگو
• دونالد جی. هاگلر جونیور، مرکز تصویربرداری چندوجهی و ژنتیک و دپارتمان رادیولوژی، دانشگاه کالیفرنیا، سن دیگو
• پراوش پارخ، بخش بهداشت روان و اعتیاد، بیمارستان دانشگاه اسلو و موسسه پزشکی بالینی، دانشگاه اسلو، نروژ
• هیو گاراوان، دپارتمان روانپزشکی، دانشگاه ورمانت
• توماس ای. نیکولز، دپارتمان علوم اعصاب بالینی، دانشگاه آکسفورد

مطالعه توسعه شناختی مغز نوجوانان (ABCD) تحت حمایت مؤسسه‌های ملی بهداشت (NIH) و شرکای فدرال دیگر با شماره‌های جایزه U01DA041048، U01DA050989، U01DA051016، U01DA041022، U01DA051018، U01DA051037، U01DA050987، U01DA041174، U01DA041106، U01DA041117، U01DA041028، U01DA041134، U01DA050988، U01DA051039، U01DA041156، U01DA041025، U01DA041120، U01DA051038، U01DA041148، U01DA041093، U01DA041089، U24DA041123 و U24DA041147 حمایت می‌شود. علاوه بر این، این کار تحت حمایت مؤسسه ملی بهداشت روان، شماره جایزه (K99MH132886 به کارولینا ماکوسکی) و برنامه تحقیق و نوآوری افق ۲۰۲۰ اتحادیه اروپا تحت توافقنامه گرنت ماری کوری (شماره ۸۰۱۱۳۳ به پراوش پارخ) و شورای تحقیق نروژ (شماره گرنت ۳۲۴۲۵۲ به پراوش پارخ) نیز قرار دارد.