Toepassen van machine learning en deep learning om depressie te voorspellen aan de hand van hersen-MRI en depressie-gerelateerde hersenbiologie te identificeren

Waarom hersenscans en algoritmen belangrijk zijn voor stemming

Depressie treft wereldwijd honderden miljoenen mensen, maar artsen hebben nog steeds geen objectieve tests die kunnen aangeven wie risico loopt of die behandeling kunnen afstemmen. Deze studie stelde een simpele maar dringende vraag: kunnen gedetailleerde hersenscans, gecombineerd met moderne computermethoden, een betrouwbare aanwijzing voor depressie opleveren? Door duizenden hersen-MRI-beelden uit de UK Biobank te analyseren en traditionele machine-learning te vergelijken met deep-learningmethoden, onderzochten de onderzoekers hoeveel informatie over depressie daadwerkelijk is vastgelegd in de structuur van het grijze stof in de hersenen.

Op zoek naar patronen in duizenden hersenscans

Het team gebruikte structurele MRI-scans uit de UK Biobank, met focus op mensen met en zonder een voorgeschiedenis van een majeure depressieve stoornis. Ze werkten met meer dan 1.400 mensen met depressie en meer dan 29.000 zorgvuldig gescreenede controles, en stelden vervolgens een gebalanceerde subset samen voor training en testen van hun modellen. In plaats van het hersenweefsel samen te vatten in grote regio’s, hielden ze een fijnmazig driedimensionaal raster van kleine eenheden, voxels genoemd, over het grijze stof aan. Deze aanpak behoudt subtiele, lokale verschillen in hersenstructuur die verloren kunnen gaan wanneer data sterk worden vereenvoudigd. Alle beelden werden verwerkt en op één gemeenschappelijk sjabloon uitgelijnd zodat elke voxel zinvol tussen individuen kon worden vergeleken.

Vergelijking van een klassiek model met deep learning

De onderzoekers trainden twee typen voorspellers. De ene was een statistische machine-learningbenadering genaamd een BLUP-model, dat lineair informatie van honderdduizenden voxels combineert tot een enkele hersengebaseerde risico-score. De andere was een modern deep-learningmodel (een 3D ResNet) dat probeert complexe patronen direct uit de MRI-volumes te leren. Getest in een onafhankelijke groep van bijna 2.500 mensen liet de BLUP-score een bescheiden maar betrouwbare mogelijkheid zien om mensen met depressie te onderscheiden van controles. Mensen met depressie hadden doorgaans iets hogere scores, en elke standaardstapstijging in de BLUP-score hield ongeveer een 28% hogere kans op het hebben van majeure depressie in. Daarentegen presteerde het deep-learningmodel slechts iets beter dan toeval en hield het niet stand na strengere statistische controles.

Wat de hersenscore onthult over belangrijke gebieden

Om de hersenscore beter interpreteerbaar te maken, verdeelden de auteurs deze naar anatomische regio’s. Ze onderzochten welke gebieden, afzonderlijk beschouwd, het sterkst bijdroegen aan de voorspelling. Verschillende regio’s die eerder werden verdacht betrokken te zijn bij depressie — zoals de hippocampus en amygdala — toonden signalen in de verwachte richting, samen met delen van de thalamus, het cerebellum en bepaalde frontale en temporale gebieden. Geen van deze regiogebonden effecten was echter sterk genoeg om significant te blijven na correctie voor het grote aantal geteste gebieden. Een kleine klinische steekproef gescand met ander apparatuur liet grotendeels consistente effectrichtingen zien maar had onvoldoende omvang om enige associatie definitief te bevestigen.

Hersenstructuur afwegen tegen genetisch risico

Aangezien genen ook invloed hebben op depressie, vergeleek het team hun hersengebaseerde score met een polygeen risico­score die risico samenvat over veel genetische varianten. De hersenscore en de genetische score waren matig gecorreleerd, wat suggereert dat ze een gedeelde biologische kwetsbaarheid aanspreken. Belangrijk is dat het toevoegen van de hersenscore aan de genetische score slechts een kleine verbetering van de voorspellingsnauwkeurigheid opleverde. De auteurs schatten ook dat in het geheel de structuur van het grijze stof in hun steekproef slechts ongeveer 6% van de variatie verklaart in wie depressie heeft; zelfs in een ideaal scenario zou dit de prestatie van een puur op structuur gebaseerde voorspellende hersenscore op een relatief bescheiden niveau begrenzen.

Wat dit betekent voor toekomstige tests en behandelingen

Voor de niet-specialist is de kernboodschap dat huidige structurele hersen-MRI, zelfs wanneer geanalyseerd met geavanceerde instrumenten, nog niet als een betrouwbare zelfstandige test voor depressie kan dienen. De prestatie van het BLUP-model was statistisch duidelijk maar ver verwijderd van de nauwkeurigheid die nodig is voor klinische besluitvorming, en deep learning overtrof eenvoudigere methoden niet. Toch biedt het werk waardevolle aanwijzingen over welke hersengebieden en kenmerken het meest informatief zijn en hoe hersenstructuur zich verhoudt tot zowel genen als levensgebeurtenissen die mentale gezondheid vormen. De auteurs stellen dat toekomstige vooruitgang waarschijnlijk zal komen door het combineren van meerdere typen breindata, genetica en omgevingsinformatie, en door te focussen op specifieke symptoompatronen in plaats van depressie als één brede categorie.

Bronvermelding: 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

Trefwoorden: depressie, hersen-MRI, machine learning, neuroimaging, genetisch risico