Neue Analyse von fMRI-Daten kann die Behandlung von Schizophrenie verbessern

In einer neuen Studie haben Forscher der University of Maryland, Baltimore County (UMBC) Tools entwickelt, um die Analyse von Daten der funktionellen Magnetresonanztomographie (fMRT) zu verbessern, und können nun Untergruppen von Schizophreniepatienten identifizieren.

Die neuen Erkenntnisse können bei der Diagnose und Behandlung von Patienten mit psychischen Erkrankungen hilfreich sein, die möglicherweise schwer zu identifizieren sind, und den Ärzten zeigen, ob die aktuellen Behandlungen auf der Grundlage von Bildgruppierungen durchgeführt wurden oder nicht.

Die Studie wird in der Zeitschrift veröffentlicht NeuroImage.

Die Bildanalysemethode wird als unabhängige Vektoranalyse (IVA) für die gemeinsame Subraumextraktion (CS) bezeichnet. Durch diese Methode konnten die Forscher Untergruppen von fMRI-Daten ausschließlich anhand der Gehirnaktivität kategorisieren, was beweist, dass ein Zusammenhang zwischen der Gehirnaktivität und bestimmten psychischen Erkrankungen besteht. Insbesondere konnten sie durch Analyse der fMRI-Daten Untergruppen von Schizophreniepatienten identifizieren.

Bisher gab es keine eindeutige Möglichkeit, Schizophrenie bei Patienten allein aufgrund der Bildgebung des Gehirns zu gruppieren. Die neue Methode zeigt jedoch einen signifikanten Zusammenhang zwischen der Gehirnaktivität eines Patienten und seinen Diagnosen.

"Der aufregendste Teil ist, dass wir herausgefunden haben, dass die identifizierten Untergruppen klinische Bedeutung besitzen, indem wir ihre diagnostischen Symptome untersucht haben", sagte Qunfang Long, Ph.D. Kandidat bei UMBC in Elektrotechnik. "Dieser Befund ermutigte uns, mehr Anstrengungen zur Untersuchung von Subtypen von Patienten mit Schizophrenie unter Verwendung von Neuroimaging-Daten zu unternehmen."

Wichtig ist, dass die IVA-CS-Methode zur Identifizierung dieser Untergruppen auch Nuancen in den Daten beibehält, aber dennoch statistisch signifikante Gruppierungen ergibt.

"Nachdem datengesteuerte Methoden an Popularität gewonnen haben, bestand eine große Herausforderung darin, die Variabilität für jedes Fach zu erfassen und gleichzeitig Analysen an fMRI-Datensätzen einer großen Anzahl von Fächern durchzuführen", sagte Dr. Tülay Adali, Professor für Informatik und Elektrotechnik und Direktor des UMBC-Labors für maschinelles Lernen für die Signalverarbeitung.

"Jetzt können wir diese Analyse effektiv durchführen und sinnvolle Gruppierungen von Probanden identifizieren."

Die Diagnose und Behandlung von psychischen Erkrankungen ist unglaublich komplex. Dieselbe Krankheit tritt bei verschiedenen Patienten unterschiedlich auf, und es gibt oft keine einzige Behandlung, die für alle Patienten wirksam ist. Sobald eine Behandlung durchgeführt wurde, kann die Feststellung, ob sie erfolgreich ist, auch je nach Patient variieren.

Diese Forschung reagiert auf Variabilität, indem sie Ärzten eine objektive Möglichkeit bietet, die fMRI-Ergebnisse für Patienten in relativ ähnlichen diagnostischen Untergruppen zu analysieren und dann die fMRI-Ergebnisse über denselben Zeitraum für denselben Patienten zu vergleichen.

Stellen Sie sich einen schizophrenen Patienten vor, der in sechs Monaten behandelt wird und zurückkehrt, um erneut untersucht zu werden. Wenn ihre fMRT-Daten denen der Kontrollgruppe psychisch gesunder Patienten mehr ähneln als denen anderer Patienten mit Schizophrenie, ist dies ein objektiver Beweis dafür, dass die Behandlung funktioniert. In größerem Maßstab bieten diese Daten einen besseren Überblick über die medizinischen Ergebnisse der Patienten als Ergebnis der Behandlung.

Als nächstes wird Adalis Team mit Längsschnittdaten arbeiten, um zu bestimmen, welche Behandlungen für Untergruppen von Patienten mit bestimmten psychischen Erkrankungen am besten geeignet sind. Diese Methode wird auch in einer Längsschnittstudie an Jugendlichen verwendet, um festzustellen, ob im Laufe der Zeit Zusammenhänge zwischen fMRT-Bildern und den Sucht- und Substanzgebrauchsmustern dieser Jugendlichen bestehen.

Die aktuelle Forschung von Adali und Long ist mit dem langjährigen Mitarbeiter Dr. Vince Calhoun am Tri-Institutional Center für translationale Forschung in Neuroimaging und Data Science in Atlanta.

Quelle: Universität von Maryland Baltimore County

!-- GDPR -->