Smegenų veiklos susiejimas su elgesiu yra nuolatinis neurovaizdinių tyrimų tikslas, nes tai padėtų mokslininkams suprasti, kaip smegenys skatina elgesį, ir galbūt atvertų naujas galimybes individualiai gydyti psichinę sveikatą ir neurologines sąlygas.
Kai kuriais atvejais mokslininkai naudoja smegenų vaizdus ir elgsenos duomenis, kad mokytų mašininio mokymosi modelius, kad pagal smegenų funkciją būtų galima numatyti asmens simptomus ar ligą. Tačiau šie modeliai yra naudingi tik tuo atveju, jei juos galima apibendrinti įvairiose nustatymuose ir populiacijose.
Naujame tyrime Jeilio tyrėjai rodo, kad nuspėjamieji modeliai gali gerai veikti duomenų rinkiniuose, kurie visiškai skiriasi nuo tų, kurių modelis buvo apmokytas. Tiesą sakant, jie teigia, kad tokiu būdu, naudojant įvairius duomenis, modeliai bus labai svarbūs kuriant kliniškai naudingus nuspėjamuosius modelius.
„Įprasta, kad nuspėjamieji modeliai veikia gerai, kai bandomi naudojant duomenis, panašius į tuos, kurių jie buvo mokomi“, – sakė Brendanas Adkinsonas, neseniai žurnale paskelbto tyrimo pagrindinis autorius. Raidos pažinimo neuromokslas. „Tačiau kai išbandote juos skirtingų charakteristikų duomenų rinkinyje, jie dažnai sugenda, todėl jie beveik nenaudojami daugeliui realaus pasaulio programų.”
Problema kyla dėl duomenų rinkinių skirtumų, įskaitant amžiaus, lyties, rasės ir etninės priklausomybės, geografijos ir klinikinių simptomų pateikimo skirtumus tarp į duomenų rinkinius įtrauktų asmenų. Tačiau užuot vertinę šiuos skirtumus kaip modelio kūrimo kliūtis, mokslininkai turėtų juos laikyti pagrindiniu komponentu, sako Adkinsonas.
„Prognozuojami modeliai bus kliniškai vertingi tik tuo atveju, jei jie galės veiksmingai numatyti šias specifines duomenų rinkinio ypatybes“, – sakė medicinos mokslų daktaras Adkinsonas. kandidatas į vyresniojo autoriaus Dustino Scheinosto, Jeilio medicinos mokyklos radiologijos ir biomedicininio vaizdavimo docento, laboratoriją.
Norėdami patikrinti, kaip gerai modeliai gali veikti įvairiuose duomenų rinkiniuose, mokslininkai apmokė modelius numatyti du bruožus – kalbos gebėjimus ir vykdomąją funkciją – iš trijų didelių duomenų rinkinių, kurie iš esmės skyrėsi vienas nuo kito. Buvo apmokyti trys modeliai – po vieną kiekviename duomenų rinkinyje – ir tada kiekvienas modelis buvo išbandytas su kitais dviem duomenų rinkiniais.
„Mes nustatėme, kad nors šie duomenų rinkiniai labai skyrėsi vienas nuo kito, modeliai vis tiek gerai veikė pagal neurovaizdavimo standartus bandymų metu”, – sakė Adkinsonas. „Tai rodo, kad apibendrinami modeliai yra pasiekiami, o įvairių duomenų rinkinio funkcijų testavimas gali padėti.
Žvelgiant į priekį, Adkinsonas yra suinteresuotas ištirti apibendrinimo idėją, susijusią su konkrečia populiacija.
Didelio masto duomenų rinkimo pastangos, naudojamos neurovaizdinių nuspėjamųjų modelių generavimui, yra pagrįstos didmiesčių teritorijomis, kuriose mokslininkai turi prieigą prie daugiau žmonių. Tačiau kuriant modelius tik iš miesto ir priemiesčių gyventojų surinktų duomenų, kyla rizika sukurti modelius, kurie neapibendrina kaimo regionuose gyvenančių žmonių, teigia mokslininkai.
„Jei pasieksime tašką, kai nuspėjamieji modeliai yra pakankamai tvirti, kad juos būtų galima naudoti atliekant klinikinį vertinimą ir gydymą, tačiau jie neapibendrina konkrečios populiacijos, pavyzdžiui, kaimo gyventojų, tada tos populiacijos nebus aptarnaujamos taip gerai, kaip kitos“, – sakė jis. Adkinsonas, pats kilęs iš kaimo vietovės. „Taigi mes ieškome, kaip apibendrinti modelius kaimo gyventojams.”