Современная диагностика депрессии по-прежнему во многом зависит от опросников и субъективной оценки состояния пациента. Несмотря на развитие психиатрии и нейронаук, объективных количественных биомаркеров для точного определения тяжести депрессивного расстройства всё ещё не хватает.
Группа исследователей из Второй больницы Цзиньхуа и Чжэцзянского педагогического университета решила подойти к проблеме с помощью искусственного интеллекта и анализа электроэнцефалографии. В рамках исследования учёные использовали данные ЭЭГ в состоянии покоя, собранные у 70 пациентов с подтверждённой депрессией и 30 участников контрольной группы.
Разработанная архитектура получила название PLI_GE_gMLP. Модель объединяет сразу несколько методов анализа: индекс фазового запаздывания, графовое моделирование и многослойный перцептрон. Такой подход позволил системе отслеживать сложные пространственно-временные связи в активности мозга и выявлять особенности взаимодействия между различными зонами коры.
Во время тестирования модель показала среднюю абсолютную ошибку всего 4,30 при прогнозировании тяжести депрессии. Исследователи отмечают, что этот результат оказался лучше, чем у популярных алгоритмов вроде Random Forest, XGBoost, LightGBM, а также ряда известных архитектур глубокого обучения.
Отдельное внимание команда уделила интерпретируемости нейросети. С помощью метода SHAP исследователи смогли определить, какие именно параметры сильнее всего влияют на итоговый прогноз. Выяснилось, что ключевую роль играют показатели функциональной связности во фронтальной и височной областях мозга, особенно в бета- и тета-диапазонах ЭЭГ.
Авторы подчёркивают, что обнаруженные закономерности хорошо совпадают с уже известными механизмами развития депрессивных расстройств. Это делает результаты исследования особенно важными не только для ИИ, но и для клинической психиатрии.
Если технология продолжит подтверждать свою эффективность в более масштабных исследованиях, в будущем она может стать основой для доступных систем экспресс-диагностики психического здоровья, которые будут менее зависимы от человеческого фактора и субъективной оценки.
