Применение машинного и глубокого обучения для предсказания депрессии по МРТ головного мозга и выявления связанной с депрессией биологии мозга

Почему важны сканирование мозга и алгоритмы для настроения

Депрессия затрагивает сотни миллионов людей по всему миру, но у врачей до сих пор нет объективных тестов, которые могли бы надёжно выявлять тех, кто подвержен риску, или помогать подбирать лечение. В этом исследовании был задан простой, но актуальный вопрос: могут ли подробные сканы мозга в сочетании с современными компьютерными методами дать надёжный сигнал депрессии? Анализируя тысячи изображений МРТ головного мозга из UK Biobank и сравнивая традиционные методы машинного обучения с методами глубокого обучения, исследователи изучали, сколько информации о депрессии действительно зашифровано в структуре серого вещества мозга.

Поиск закономерностей в тысячах сканов мозга

Команда использовала структурные МРТ-сканы из UK Biobank, сосредоточившись на людях с и без анамнеза большого депрессивного расстройства. Они работали с более чем 1 400 человек с депрессией и более 29 000 тщательно отобранных контрольных участников, после чего выделили сбалансированную подвыборку для обучения и тестирования моделей. Вместо усреднения мозга по крупным регионам они сохранили тонкую трёхмерную сетку маленьких единиц — вокселей — по всему серому веществу. Такой подход сохраняет тонкие локальные различия в структуре мозга, которые могли бы быть утрачены при сильном упрощении данных. Все изображения были обработаны и выровнены по общему шаблону, чтобы каждый воксель можно было содержательно сравнивать между участниками.

Сравнение классической модели и глубокого обучения

Исследователи обучили два типа предикторов. Один — статистический подход машинного обучения, называемый моделью BLUP, которая линейно комбинирует информацию из сотен тысяч вокселей в единый показатель риска на основе мозга. Другой — современная модель глубокого обучения (3D ResNet), пытающаяся выучивать сложные паттерны непосредственно из объёмов МРТ. При проверке в независимой группе почти из 2 500 человек показатель BLUP продемонстрировал скромную, но надёжную способность отличать людей с депрессией от контролей. У людей с депрессией показатели в среднем были немного выше, и каждый стандартный шаг повышения BLUP-счёта связывался примерно с 28%-ным повышением шансов наличия большого депрессивного расстройства. В отличие от этого, модель глубокого обучения выступила лишь немного лучше случайного предсказания и не устояла при более строгих статистических проверках.

Что показывает балл мозга о ключевых областях

Чтобы сделать балл мозга более интерпретируемым, авторы разложили его по анатомическим областям. Они выясняли, какие зоны при рассмотрении по отдельности вносят наибольший вклад в предсказание. Несколько областей, ранее предполагаемых как вовлечённые в депрессию — такие как гиппокамп и амигдала — показали сигналы в ожидаемом направлении, наряду с частями таламуса, мозжечка и некоторыми лобными и височными областями. Тем не менее ни один из эффектов, специфичных для отдельных областей, не был достаточно сильным, чтобы оставаться значимым после коррекции на большое число тестируемых областей. Небольшая клиническая выборка, сканированная на другом оборудовании, показала в основном согласованные направления эффектов, но не имела размера, достаточного для твёрдого подтверждения какой-либо ассоциации.

Сопоставление структуры мозга и генетического риска

Поскольку гены также влияют на депрессию, команда сравнила свой мозговой показатель с полигенным счётом, суммирующим риск по многим генетическим вариантам. Мозговой и генетический показатели были умеренно скоррелированы, что говорит о том, что они отражают какую-то общую биологическую уязвимость. Важно, что добавление мозгового показателя к генетическому привело лишь к незначительному улучшению точности предсказания. Авторы также оценили, что в целом структура серого вещества объясняет лишь около 6% вариации наличия депрессии в их выборке; даже в идеальном случае это ограничивает потенциал любого чисто структурного предиктора депрессии до относительно скромного уровня.

Что это значит для будущих тестов и лечения

Для неподготовленного читателя главное сообщение таково: текущая структурная МРТ мозга, даже при анализе с использованием сложных инструментов, пока не может служить надёжным автономным тестом на депрессию. Производительность модели BLUP была статистически значимой, но далека от точности, необходимой для клинического принятия решений, а глубокое обучение не превзошло более простые методы. Тем не менее работа даёт ценные указания на то, какие области и признаки мозга наиболее информативны и как структура мозга связана с генетикой и жизненным опытом, формирующими психическое здоровье. Авторы полагают, что дальнейший прогресс вероятнее всего придёт от комбинирования нескольких типов данных о мозге, генетики и информации об окружении, а также от сосредоточения на конкретных паттернах симптомов вместо рассмотрения депрессии как единой широкой категории.

Цитирование: 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

Ключевые слова: депрессия, МРТ головного мозга, машинное обучение, нейровизуализация, генетический риск