יישום למידת מכונה ולמידה עמוקה לחיזוי דיכאון מתוך MRI של המוח וזיהוי הביולוגיה המוחית הקשורה לדיכאון

מדוע סריקות מוח ואלגוריתמים חשובים למצב הרוח

דיכאון משפיע על מאות מיליוני אנשים ברחבי העולם, ועדיין לרופאים אין מבחנים אובייקטיביים שיכולים לזהות מי בסיכון או לסייע בהתאמת הטיפול. במחקר זה נשאלה שאלה פשוטה אך דחופה: האם סריקות מוח מפורטות, בשילוב טכניקות ממוחשבות מודרניות, יכולות לספק אות אמין לדיכאון? באמצעות ניתוח אלפי תמונות MRI מהמוח מ-UK Biobank והשוואה בין למידת מכונה קלאסית לשיטות למידה עמוקה, החוקרים בדקו כמה מידע על דיכאון באמת כתוב במבנה החומר האפור של המוח.

מחפשים דפוסים באלפי סריקות מוח

הצוות השתמש בסריקות MRI מבניות מ-UK Biobank, כשהמיקוד הוא על אנשים עם ובלתי-עם היסטוריה של הפרעת דיכאון מז'ורי. הם עבדו עם יותר מ-1,400 אנשים עם דיכאון ולמעלה מ-29,000 קבוצת ביקורת שנבדקה בקפדנות, ולאחר מכן חילצו תת-קבוצה מאוזנת לאימון ובחינה של המודלים. במקום לאגד את המוח לאזורים גדולים, הם שמרו על רשת תלת-ממדית דקה של יחידות זעירות שנקראות ווקסלים ברחבי החומר האפור. גישה זו שומרת על הבדלים מקומיים ועדינים במבנה המוח שעשויים להיעלם כאשר המידע מפושט יתר על המידה. כל התמונות עברו עיבוד והתאמה לתבנית משותפת כך שכל ווקסל יוכל להיות מושווה משמעותית בין פרטים שונים.

השוואת מודל קלאסי ללמידה עמוקה

החוקרים אימנו שני סוגי מנבאים. אחד היה גישת למידת מכונה סטטיסטית הנקראת מודל BLUP, המשקלת באופן ליניארי מידע ממאות אלפי ווקסלים לתוך ציון סיכון מבוסס מוח יחיד. השני היה מודל למידה עמוקה מודרני (3D ResNet) שמנסה ללמוד דפוסים מורכבים ישירות מנפחי ה-MRI. בבחינה בקבוצה בלתי תלויה של כמעט 2,500 אנשים, ציון ה-BLUP הראה יכולת צנועה אך אמינה להבחין בין אנשים עם דיכאון לבין קבוצת הביקורת. אנשים עם דיכאון נטו לקבל ציונים מעט גבוהים יותר, וכל עלייה של סטיית תקן אחת בציון ה-BLUP התקשרה לכ-28% עלייה בסיכוי לסבול מהפרעת דיכאון מז'ורי. לעומת זאת, מודל הלמידה העמוקה הופיע רק במעט טוב יותר מהמקריות ולא החזיק מעמד לאחר בדיקות סטטיסטיות מחמירות יותר.

מה הציון המוחי מגלה על אזורים מרכזיים

כדי להפוך את הציון המוחי ליותר ניתן לפרש, המחברים פירקו אותו לפי אזורים אנטומיים. הם בדקו אילו אזורים, כאשר נשקלים בפני עצמם, תורמים בעוצמה לחיזוי. מספר אזורים שחשבו בעבר כמעורבים בדיכאון — כגון ההיפוקמפוס והאמיגדלה — הראו אותות בכיוון המצופה, יחד עם חלקים מהתלמוס, המוחון, וכן אזורים פרונטליים וטמפורליים מסוימים. עם זאת, אף אחד מהאפקטים הספציפיים לאזור לא היה חזק דיו כדי להישאר מובהק לאחר תיקון עבור מספר רב של אזורים שנבדקו. מדגם קליני קטן שנסרק בציוד שונה הראה ברובו כיוונים עקביים של האפקט אך לא היו בו גודל ודאות מספיקים כדי לאשר כל קשר באופן תקיף.

משקל מבנה המוח מול סיכון גנטי

מכיוון שגם הגנים משפיעים על דיכאון, הצוות השווה את הציון המוחי שלהם עם ציון פוליגני המסכם סיכון על פני וריאנטים גנטיים רבים. הציון המוחי והציון הגנטי היו בעלי מתאם צנוע, מה שמרמז שהם נוגעים בחלק מהפגיעות הביולוגיות המשותפות. חשוב לציין, שהוספת הציון המוחי לציון הגנטי הובילה רק לשיפור זניח בדיוק החיזוי. המחברים גם העריכו שבאופן כללי, מבנה החומר האפור אחראי לכ-6% בלבד מהשונות במי שסובל מדיכאון במדגם שלהם; אפילו בתנאי אידיאל, זה היה מגביל את הביצועים של כל מנבא מוחי מבוסס-מבנה לרמה יחסית צנועה.

מה המשמעות עבור מבחנים וטיפולים עתידיים

לקריאת הקהל הרחב, הכותרת היא שמרבית ה-MRI המבני של המוח כיום, גם כאשר מנותח בכלים מתוחכמים, עדיין אינו יכול לשמש מבחן עצמאי ואמין לדיכאון. ביצועי מודל ה-BLUP היו מובהקים סטטיסטית אך רחוקים מהדיוק הנדרש לקבלת החלטות קליניות, ולמידה עמוקה לא עלתה על שיטות פשוטות יותר. עם זאת, העבודה מספקת רמזים חשובים לגבי אילו אזורי מוח ותכונות הם המידע-יותר-רלוונטי ואיך מבנה המוח מתקשר גם לגנים וגם לחוויות החיים המעצבנות את הבריאות הנפשית. המחברים טוענים שההתקדמות העתידית תגיע כנראה משילוב של סוגי נתוני מוח מרובים, גנטיקה ומידע סביבתי, ומתמקדות בדפוסי תסמינים ספציפיים יותר במקום בדיכאון כקטגוריה רחבה אחת.

ציטוט: Jiang, JC., Brianceau, C., Delzant, E. et al. Applying machine-learning and deep-learning to predict depression from brain MRI and identify depression-related brain biology. Transl Psychiatry 16, 171 (2026). https://doi.org/10.1038/s41398-026-03889-8

מילות מפתח: דיכאון, MRI של המוח, למידת מכונה, תמונת מוח, סיכון גנטי