Forscher an der University of Maryland, Baltimore County (UMBC) entwickelten Instrumente zur Verbesserung der Analyse der funktionellen Kernspintomographie (fMRI) Daten. Tülay Adali, professor für informatik und Elektrotechnik und Leiter der UMBC ‚ s Machine Learning for Signal Processing Lab, und Qunfang Lange, ein Ph. D.-Kandidat an der UMBC in der Elektrotechnik, haben angeführt bahnbrechende Arbeit, die Ermittlung der wichtigsten Muster in der Bildgebung des Gehirns für diejenigen, die mit bestimmten psychischen Erkrankungen wie Schizophrenie. Diese neue Forschung veröffentlicht in NeuroImage Volume 216. Ihre Arbeit kann dabei helfen, Diagnose und Behandlung von Patienten mit psychischen Erkrankungen, die schwierig sein kann, zu identifizieren. Es kann auch zeigen, Heilpraktiker, ob die derzeitigen Behandlungen haben oder nicht gearbeitet haben, basiert auf Bild-Gruppierungen.
Die Bild-Analyse-Methode, entwickelt von Adali und Lange heißt unabhängige Vektor-analysis (IVA) für gemeinsame Subraum-Extraktion (CS). Durch diese Methode, Sie waren in der Lage zu kategorisieren Untergruppen von fMRT-Daten basiert ausschließlich auf der Aktivität des Gehirns, beweisen, dass es eine Verbindung zwischen der Aktivität des Gehirns und bestimmten psychischen Erkrankungen. Insbesondere, Sie waren in der Lage zu erkennen Untergruppen der Schizophrenie-Patienten mit Hilfe der fMRT-Daten, die Sie analysiert.
Bisher gab es nicht einen klaren Weg, um die Gruppe der Schizophrenie bei Patienten, basierend auf Bildgebung des Gehirns allein, sondern die entwickelten Methoden Adali und Lange zeigen, dass es eine signifikante Verbindung zwischen einem Patienten die Aktivität des Gehirns und Ihre Diagnosen. „Der spannendste Teil ist, dass wir fanden heraus, dass die identifizierten Untergruppen besitzen klinische Bedeutung anhand Ihrer Diagnose Symptome“, erklärt Lange. „Dieses Ergebnis hat uns ermutigt, mehr Aufwand in die Untersuchung von Subtypen von Patienten mit Schizophrenie mittels neuroimaging-Daten.“
Wichtig ist, das IVA-CS-Methode zur Identifizierung dieser Untergruppen bewahrt auch Nuancen in den Daten, aber immer noch macht statistisch signifikanten Gruppierungen. „Nun, dass data-driven methods haben an Popularität gewonnen, eine große Herausforderung wurde die Erfassung der Variabilität für jedes Thema, während gleichzeitig die Analyse auf fMRI datasets aus einer Vielzahl von Themen. Nun führen wir diese Analyse effektiv, und identifizieren können, sinnvolle Gruppierungen von Themen“, sagt Adali.
Diagnose und Behandlung von psychischen Erkrankungen ist unglaublich Komplex. Die gleiche Krankheit wird in der Gegenwart unterschiedlich in verschiedenen Patienten, und oft gibt es keine einheitliche Behandlung, die wirksam für alle Patienten. Sobald eine Behandlung ist, zu bestimmen, ob es Erfolg hat, kann auch variieren je nach patient. Adali und Lange Forschung zusammen mit Ihrem langjährigen Mitarbeiter Vince Calhoun im Tri-institutionellen Center for Translational Research in Neuro-Imaging-und Data Science in Georgia, USA antwortet auf diese Variabilität, indem Sie den ärzten eine Objektive Analyse der fMRT-Ergebnisse für Patienten, die innerhalb von relativ homogenen diagnostischen Untergruppen, und vergleichen Sie dann die fMRT-Ergebnisse im Laufe der Zeit für den gleichen Patienten. Betrachten wir ein schizophrener patient, der die Behandlung erhält und zurück in sechs Monaten erneut ausgewertet. Wenn Ihre fMRT-Daten ähnelt der einer Kontrollgruppe von psychisch gesunden Patienten, die mehr als die anderer Patienten mit Schizophrenie, das ist der Objektive Nachweis, dass die Behandlung wirkt. In einem größeren Maßstab, diese Daten bietet einen besseren Blick auf Patienten medizinische Ergebnisse als Ergebnis der Behandlung.