Вероятностный подход глубокого обучения для сегментации хориоидного сплетения при расстройствах аутистического спектра

Почему эта работа важна для здоровья мозга и понимания аутизма

Хориоидное сплетение — крошечная структура глубоко в мозгу, которая участвует в выработке и фильтрации жидкости, омывающей мозг и спинной мозг, а также играет ключевую роль в иммунной активности мозга. Нарастающие данные указывают на то, что у некоторых людей с расстройствами аутистического спектра (РАС) эта структура может выглядеть или функционировать иначе, что может отражать изменения, связанные с воспалением в мозге. Чтобы действительно понять эти связи, учёным нужно изучить тысячи снимков мозга — а для этого требуются быстрые и надёжные компьютерные инструменты, способные автоматически обнаруживать и обводить хориоидное сплетение. В этом исследовании представлен и протестирован такой инструмент, показано не только его качество, но и то, насколько он уверен в своих ответах.

Небольшие, но важные ворота мозга

Хориоидное сплетение располагается в заполненных жидкостью пространствах мозга и образует барьер между кровью и прозрачной жидкостью — цереброспинальной жидкостью. Оно помогает контролировать то, что попадает в среду мозга и выходит из неё, и участвует в иммунных сигналах, включая реакции, связанные с воспалением. Ранее исследования показали, что хориоидное сплетение может быть увеличено или изменено при ряде заболеваний мозга — от рассеянного склероза до депрессии — и первые работы указывают на возможные отличия у некоторых людей с аутизмом. Однако аккуратное ручное обведение этой структуры на МРТ занимает много времени, требует усилий и в некоторой степени субъективно, что делает масштабные исследования практически невыполнимыми без автоматизации.

Обучение компьютера находить хориоидное сплетение

Авторы сосредоточились на ASCHOPLEX — недавно разработанной системе глубокого обучения, которая автоматически сегментирует, то есть обводит, хориоидное сплетение на МРТ. Первоначально обученная на взрослых с и без рассеянного склероза, ASCHOPLEX уже показывала точность, близкую к человеческой, в других группах. В этом исследовании команда адаптировала инструмент для РАС, «дообучив» его на небольшой, но тщательно размеченной выборке из 12 взрослых (с аутизмом и без) из местного исследовательского проекта. Затем они протестировали работу модели на дополнительных 53 взрослых, у которых хориоидное сплетение было вручную обведено экспертами, что позволило выполнить прямое сравнение между человеком и машиной. Также ASCHOPLEX сравнили с широко используемым инструментом анализа МРТ мозга FreeSurfer, который не был специально оптимизирован для этой структуры.

Добавление чувства уверенности к предсказаниям

Помимо простого вопроса, правильно ли инструмент отвечает, исследователи хотели знать, насколько он уверен в каждом своём решении. Для этого они превратили ASCHOPLEX в «вероятностную» модель, включив при обучении и тестировании приём, называемый dropout. На практике это означает многократный прогон модели по одному и тому же скану, каждый раз с немного разными внутренними настройками, что даёт набор слегка отличающихся предсказаний. Анализируя, насколько эти предсказания согласуются или расходятся в каждой точке мозга, команда могла оценить неопределённость — места, где модель уверена, и места, где она неуверенна. Этот подход применяли не только к местной взрослой выборке, но и к более чем 1800 участникам — детям и взрослым — из большого проекта Autism Brain Imaging Data Exchange (ABIDE).

Насколько хорошо инструмент работал у людей разных возрастов

После дообучения ASCHOPLEX очень близко соответствовал вручную проведённым обводкам хориоидного сплетения у взрослых с аутизмом и без, достигая уровней точности, сопоставимых или превосходящих согласие между экспертами-человеками. Он явно превзошёл FreeSurfer, который изначально не был оптимизирован для этой структуры. Что важно, после дообучения ASCHOPLEX больше не демонстрировал различий в работе между взрослыми с аутизмом и без него или между мужчинами и женщинами, что снижает опасения по поводу систематической предвзятости. При применении вероятностной версии к большой базе ABIDE модель оставалась наиболее уверенной для взрослых, особенно для тех, кто был похож на обучающую группу, но её неопределённость возрастала для взрослых и детей из внешних центров — и была наибольшей у детей. Детальный анализ показал, что это повышенное значение неопределённости в основном отражало незнакомость модели с детскими сканами мозга, а не плохое качество сканов.

Что это значит для будущих исследований аутизма

Для неспециалистов главный вывод такой: у исследователей теперь есть практичный инструмент на базе ИИ, который может точно находить очень маленькую, но важную структуру мозга у людей с аутизмом и без него и при этом оценивать степень уверенности в каждом результате. ASCHOPLEX, особенно в вероятностной версии, может применяться к большим коллекциям изображений для скрининга изменений хориоидного сплетения, которые могут сигнализировать об изменённой иммунной активности в мозге. Вместе с тем растущая неопределённость при работе с детьми подчёркивает, что такие инструменты нуждаются в дополнительном дообучении на младших возрастных группах, прежде чем им можно будет полностью доверять во всех возрастах. В целом исследование демонстрирует, как сочетание глубокого обучения с явными мерами уверенности делает анализ нейровизуализаций более мощным и прозрачным, прокладывая путь к лучшему пониманию нейроиммунных изменений при аутизме.

Цитирование: Bargagna, F., Morin, T.M., Chen, YC. et al. A probabilistic deep learning approach for choroid plexus segmentation in autism spectrum disorder. NPP—Digit Psychiatry Neurosci 4, 2 (2026). https://doi.org/10.1038/s44277-026-00056-1

Ключевые слова: расстройства аутистического спектра, хориоидное сплетение, МРТ головного мозга, глубокое обучение, нейровоспаление