Введение

Внедрение искусственного интеллекта (ИИ) в различные отрасли промышленности способствует оптимизации временных и финансовых затрат на обработку и анализ данных.

В области здравоохранения частные и государственные компании активно собирают медицинские данные, преимущественно биометрические, для разработки ИИ, который мог бы помогать в постановке диагноза и оценке состояния здоровья. Однако биометрические данные обладают низкой чувствительностью и специфичностью к оценке и выявлению психических расстройств.

В тоже время нейропсихологические тесты имеют долгую историю применения для выявления и оценки психических расстройств и показывают хорошие результаты чувствительности и специфичности, особенно в диагностике нейродегенеративных заболеваний. Это делает нейропсихологические тесты перспективными для создания на их основе моделей машинного обучения для дифференциальной диагностики ментальных нарушений [1].

Одной из таких шкал является Addenbrooke's Cognitive Examination. Эта шкала была русифицирована, валидизирована ,  адаптирована под российскую культуру, и  позволяет оценивать различные когнитивные домены в баллах [2]. Шкала обладает высокой чувствительностью и специфичностью к различным видам деменции и хорошо отражает нейрофизиологические корреляты изменений работы мозга [3]. Некоторые авторы также указывают на то, что построение моделей машинного обучения на основе этой шкалы может помочь в интерпретации теста и улучшить определение нарушений [4].

Поэтому мы решили выбрать эту шкалу для построения модели машинного обучения для дифференциальной диагностики нормального старения, умеренных когнитивных нарушений, болезни Паркинсона и деменции.

Методы

Были проанализированы 77 протоколов ACE-III нейропсихологического обследования.

В выборку вошли:

• группа нормы — 13.0 человек, средний возраст — 67.31 ± 12.80;
• пациенты с умеренными когнитивными нарушениями — 22.0 человека, средний возраст — 79.14 ± 75;
• больные с болезнью Паркинсона — 21.0 человек, средний возраст — 74.76 ± 8.23;
• Пациенты  с деменцией — 21.0 человек, средний возраст — 77.00 ± 7.21.

В данной работе для статистического анализа и построения модели машинного обучения были использованы следующие методы и инструменты.

Для статистического анализа схожести средних значений когнитивных доменов по тесту ACE-III среди выбранных групп использовался тест Тьюки. А для построения моделей машинного обучения был выбран алгоритм градиентного бустинга. Данные были сбалансированы при помощи математического алгоритма Borderline-SMOTE [5]. Модель машинного обучения строилась по 8 признакам: общий балл по мини версии ACE-III,  общий балл по полной версии ACE-III, возраст,  когнитивные домены — внимание, память, скорость вербальных ассоциаций (беглость), речь, зрительно-пространственные функции.

Оценка модели проводилась на основе квадрата ошибок и доли верных ответов (accuracy).

Для реализации методов использовались библиотеки SciPy и catboost на языке программирования Python.

Таким образом, в работе были применены современные методы статистического анализа, машинного обучения и обработки данных.

Результаты

Средние значения по общему баллу по мини версии ACE-III, общему баллу полной версии ACE-III и беглости среди групп пациентов с болезнью Паркинсона и умеренными когнитивными нарушениями статистически не отличаются (p>0.05).

Также не было обнаружено статистически значимых различий среди групп пациентов с болезнью Паркинсона, умеренными когнитивными нарушениями и нормой по когнитивным доменам (память, внимание, речь, зрительно-пространственные функции) (p>0.05) (рис. 1; mci-умеренные когнитивные нарушения, parkinson – болезнь Паркинсона, normal- контрольная группа, demetia – деменция, M_ACE- общий балл по мини версии ACE-III, p_value - вероятность.).

Модель машинного обучения имеет средний уровень точности (accuracy = 0.67), что свидетельствует о её способности правильно классифицировать случаи когнитивных нарушений в целом. Однако при рассмотрении отдельных групп пациентов результаты оказались менее удовлетворительными. В частности, для группы пациентов с умеренными когнитивными нарушениями F1-мера составила 0.55, что указывает на необходимость доработки модели для повышения её точности в этой группе. Особенно низкие результаты были получены для пациентов с болезнью Паркинсона: F1-мера оказалась равной нулю  см.  таб.1, 2 (рис. 2; mci-умеренные когнитивные нарушения, parkinson – болезнь Паркинсона, normal- контроль, demetia – деменция).

Таблица 1.

Значение метрик модели машинного обучения

Таблица 2.

Значение доли верных ответов (accuracy) модели машинного обучения

В процессе обработки данных выявлены трудности дифференциации умеренных когнитивных нарушений и болезни Паркинсона.  Пациентов с болезнью Паркинсона -3 человека из 3-х он опознал как пациентов с умеренными когнитивными нарушениями. А пациентов с умеренными когнитивными нарушениями 2 человека из 5 он опознал как пациентов с болезнью Паркинсона.

Выводы.    

Дифференциальные возможности методики ACE-III в отношении пациентов с болезнью Паркинсона от пациентов с умеренными когнитивными нарушениями не велики, а их когнитивные профили очень схожи (рис. 3; mci-умеренные когнитивные нарушения, parkinson – болезнь Паркинсона, normal- контроль, demetia – деменция, M_ACE- общий балл по мини версии ACE-III, p_value - вероятность).

На графике видно, что профили пациентов групп с болезнью Паркинсона и умеренными когнитивными нарушениями значимо не отличаются

В тоже время модель машинного обучения хорошо отличает пациентов группы нормы от пациентов с деменцией и умеренными когнитивными нарушениями (рис. 2).

Для повышения возможностей методики ACE-III в дифференциальной диагностике пациентов с болезнью Паркинсона необходимы дополнительные признаки, специфичные для пациентов с болезнью паркинсона и/или значительный объём данных.

Наше исследование показало перспективность разработки моделей машинного обучения для дифференциальной диагностики на основе ACE-III, однако по всей видимости для некоторых заболеваний необходимы будут дополнительные признаки.