یک روش نوین برای پیش‌بینی رفتارها با استفاده از داده‌های تصویربرداری از مغز

تیمی از دانشمندان علوم اعصاب، واقع در دانشگاه کالیفرنیا، سن دیگو، شیوه‌ای را در تصویربرداری عصبی به کار گرفته‌اند که بر این باورند می‌تواند به احیای کار بسیاری از محققان مغز کمک کند. این پژوهش که در مجله Cerebral Cortex به چاپ رسیده، روشی را برای بهره‌گیری از داده‌های تصویربرداری عصبی به منظور پیش‌بینی مولفه‌های شناختی و متغیرهای رفتاری ارائه می‌دهد.

این تکنیک شامل بررسی تصاویر تصویربرداری رزونانس مغناطیسی (MRI) از مغز است تا ارتباطات مختلفی با رفتارها پیدا شود، و سپس نتایج پیش‌بینی شده از این ارتباطات را به یک نمونه مستقل و آزمایشی اعمال کند. کارولینا ماکوسکی، که دارای مدرک دکترا در علوم است و در حال حاضر محقق پسا-دکترا در بخش رادیولوژی دانشگاه کالیفرنیا، سن دیگو است، توضیح می‌دهد که محققان معمولاً از MRI برای بررسی ساختارهای خاص مغز استفاده می‌کنند تا نقش آن‌ها را در رفتارها یا توانایی‌هایی مانند حافظه کوتاه‌مدت، قدرت حل مسئله یا طیف وسیعی از عملکردهای شناختی تعیین کنند.

خانم ماکوسکی که نویسنده اصلی و مسئول مقاله است، گفت که کار گروه نشان می‌دهد که می‌توان بر این عقیده رایج غلبه کرد که مطالعات تصویربرداری عصبی نمی‌تواند نتایج معنی‌داری ارائه دهد مگر در صورتی که هزاران شرکت‌کننده داشته باشد. او اظهار داشت: “همیشه امکان‌پذیر نیست که هزاران فرد داشته باشیم.” او افزود: “بسیاری از مطالعات و بودجه‌ها بر اساس مجموعه‌های داده‌ای کوچک‌تر انجام می‌شوند.”

گروهی از دانشمندان اعصاب در یک آزمایشگاه مدرن، مشغول کار بر روی داده‌های تصویربرداری مغز.
اندیشه‌های خلاقانه دانشمندان اعصاب در حین کار بر روی تحقیقات برای پیش‌بینی رفتار با استفاده از داده‌های تصویربرداری مغزی.

تیم تحقیقاتی دریافت که استفاده صحیح از روش‌های چندمتغیره می‌تواند نتایج مطلوبی را با مطالعاتی که شامل ده‌ها شرکت‌کننده هستند، به دست آورد. به گفته خانم ماکوسکی، مطالعات معمول تصویربرداری عصبی از آنالیزهای تک متغیره استفاده می‌کنند که همبستگی بین یک نقطه در مغز و یک رفتار را بررسی می‌کند. او توضیح داد: “در این حالت، بله، ممکن است به هزاران شرکت‌کننده در مطالعه نیاز داشته باشید.” او همچنین افزود که مطالعات چندمتغیره، الگوهای ارتباطات را در نظر می‌گیرند.

علاوه بر این، خانم ماکوسکی گفت که گروه، بیشترین اثرات همبستگی را با تمرکز بر داده‌های MRI عملکردی که مبتنی بر یک وظیفه مشخص هستند، مشاهده کردند. او گفت: “این موضوع به‌ویژه برای یک وظیفه که به فرآیندهای حافظه فعال مربوط می‌شود، قوی بود.” او ادامه داد: “این الگوهای فعال‌سازی بر اساس وظیفه، پیش‌بینی کننده عملکرد شناختی عمومی و همچنین رفتارهای مرتبط با خود وظیفه بودند.”

تری ال. جرنیگان، یکی از نویسندگان همکار و دارای دکترا در علوم شناختی، روانپزشکی و رادیولوژی در دانشگاه کالیفرنیا، سن دیگو، و همچنین مدیر مرکز توسعه انسانی، خاطرنشان کرد که تیم توانست نتایج خوبی را از مجموعه‌های داده کوچک‌تر به دست آورد، با “آموزش و تنظیم” مجموعه‌های داده بزرگ‌تر با استفاده از روش‌های تحلیل چندمتغیره. برای این آموزش، تیم از پایگاه داده‌ای از مطالعه توسعه شناختی مغز نوجوانان (ABCD) استفاده کرد که شامل MRIهای حدود ۱۲۰۰۰ کودک نه و ده ساله است.

آقای جرنیگان گفت: “وقتی داده‌هایی با ساختار بسیار خوب وجود دارد که با نتایجی پیچیده مرتبط است که ما امید به پیش‌بینی‌شان داریم، می‌توانیم از روش‌های چند متغیره – که اغلب به عنوان هوش مصنوعی نیز شناخته می‌شوند – برای “آموزش” یک مجموعه داده بزرگ استفاده کنیم.” او اضافه کرد که “تنظیم” روابط انتخاب شده در یک مجموعه داده بزرگ، قدرت پیش‌بینی را هنگام اعمال شدن بر روی مطالعات کوچک‌تر تقویت می‌کند.

یک تصویر علمی از مغز انسان که نواحی فعال مرتبط با وظایف حافظه را به تصویر می‌کشد.
تصویرسازی علمی از مغز انسان که ارتباطات و فعالیت‌های شناختی را نشان می‌دهد.

تحقیقات جدید در زمینه توسعه شناختی مغز در دوران نوجوانی

خانم ماکوسکی افزود که به طور کلی، هر چه نمونه آموزشی بزرگتر باشد، مطالعه واقعی می‌تواند کوچک‌تر باشد. اما حتی نمونه آموزشی هم لزوماً نیازی به شامل هزاران نفر ندارد، به خصوص اگر شما از ابتدا با اثرات قوی کار می‌کنید. وی گفت: “بنابراین، در پیش‌بینی شناخت عمومی، اگر شما ۵۰۰۰ کودک در نمونه آموزشی داشته باشید، می‌توانید از فعالیت مغزی مرتبط با حافظه فعال برای پیش‌بینی شناخت فقط با ۴۰ کودک در نمونه آزمایشی بهره بگیرید. حتی با ۱۰۰ کودک در نمونه آموزشی، ما هنوز هم توانستیم عملکرد شناختی را به خوبی پیش‌بینی کنیم با تنها ۶۰ کودک در نمونه آزمایشی با استفاده از این الگوهای فعالیت مغزی.”

آقای آندرس ام. دیل، نویسنده ارشد و همکار، که دارای مدرک دکترا در علوم اعصاب، روانپزشکی، علوم شناختی و علوم داده از دانشگاه کالیفرنیا، سن دیگو است، گفت که روش تیم 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 که با نتایج مختلف سلامت مرتبط است، تمرکز کنند. وی گفت: “دلیلی وجود دارد که ABCD از ابتدا اینقدر بزرگ طراحی شد. در واقع به این دلیل بود که شما می‌خواستید بتوانید اثرات را در یک زیرمجموعه از افراد مشاهده کنید. ما می‌خواهیم به مسائلی مانند پیامدهای مصرف مواد، پیامدهای روانپزشکی و زوال عقل بپردازیم. به همین دلیل این مطالعه به این شکل طراحی شده است.”

یک محقق در حال بررسی تصاویر ثبت شده از مغز بر روی صفحه نمایش کامپیوتر.
تجزیه و تحلیل دقیق داده‌های تصویربرداری از مغز توسط محققان، برای درک بهتر عملکردهای شناختی.

آقای دیل افزود که قدرت پیش‌بینی رویکرد نمونه کوچک می‌تواند زمانی که با انواع دیگری از آنالیزها، مانند مطالعات ژنتیکی یا سایر انواع تصویربرداری ترکیب شود، تقویت شود. تیم براون، که دارای مدرک دکترا در علوم اعصاب است و یکی از نویسندگان این تحقیق است، گفت که انتشار این مقاله اهمیت زیادی دارد زیرا درهای جدیدی را باز می‌کند که پژوهشگران مغز در سراسر جهان تصور می‌کردند به دلیل مقاله‌ای در سال ۲۰۲۲ که ادعا می‌کرد فقط پایگاه‌های داده بسیار بزرگ می‌توانند نتایج ارزشمندی را تولید کنند، بسته شده‌اند. او گفت: “مجموعه بزرگی از دارندگان گرنت وجود دارند که در مطالعات خود هزاران فرد ندارند. و ناگهان به آنها گفته می‌شود: “شما نمی‌توانید کارهای قابل تکرار انجام دهید.” چیزی که ما نشان می‌دهیم این است که مطالعات ارتباطات مغزی در مقیاس وسیع نیازی به هزاران نفر ندارند.”

سایر اعضای تیم تحقیقاتی

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

مطالعه توسعه شناختی مغز نوجوانان (ABCD) توسط موسسه‌های ملی بهداشت (NIH) و دیگر همکاران فدرال با شماره‌های جایزه زیر تامین مالی می‌شود: U01DA041048، U01DA050989، U01DA051016، U01DA041022، U01DA051018، U01DA051037، U01DA050987، U01DA041174، U01DA041106، U01DA041117، U01DA041028، U01DA041134، U01DA050988، U01DA051039، U01DA041156، U01DA041025، U01DA041120، U01DA051038، U01DA041148، U01DA041093، U01DA041089، U24DA041123 و U24DA041147. علاوه بر این، این کار تحت حمایت موسسه ملی سلامت 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 تحقیقات نروژ (شماره گرنت ۳۲۴۲۵۲ به پراوش پارخ) نیز قرار دارد.

مقاله های شبیه به این مقاله

بیشتر بخوانید

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *