Onderzoekers onderzoeken een nieuwe toepassing van kunstmatige intelligentie die uiteindelijk kan helpen om mensen met een hoger risico op het ontwikkelen van depressie te identificeren voordat merkbare symptomen optreden.

De aanpak combineert kunstmatige intelligentie met hersenbeeldvorming, waardoor onderzoekers kunnen onderzoeken hoe de hersenen reageren op verschillende emotionele signalen en patronen kunnen identificeren die samenhangen met toekomstig depressierisico.

Volgens informatie die circuleert in de cryptocurrency- en technologie समुदाय, trainden onderzoekers een AI-systeem met hersenscans van tieners, waaronder deelnemers met en zonder depressiesymptomen. De deelnemers kregen gezichten te zien die blije, neutrale en boze emoties toonden terwijl magnetic resonance imaging, of MRI, activiteit in hun hersenen vastlegde.

De onderzoekers gebruikten vervolgens de resulterende hersenpatronen om een kunstmatig-intelligentiemodel te trainen dat bedoeld was om verschillen in emotionele verwerking te onderscheiden.

Het concept maakt deel uit van een snelgroeiend gebied binnen de neurowetenschap waarin onderzoekers machine learning gebruiken om biologische en gedragsmatige patronen te identificeren die mogelijk samenhangen met toekomstige geestelijke gezondheidsaandoeningen.

Het is echter belangrijk om onderscheid te maken tussen het voorspellen van een verhoogd risico en het diagnosticeren van depressie. Een AI-systeem dat een statistisch patroon identificeert, kan niet met zekerheid bepalen @coinbureau dat een individu de aandoening zal ontwikkelen.

Hoe de AI emotionele reacties analyseerde

De onderzoeksaanpak richt zich op hoe de hersenen reageren wanneer mensen gezichtsuitdrukkingen verwerken.

Deelnemers kregen verschillende emotionele gezichten te zien terwijl zij MRI-scans ondergingen. De beelden gaven onderzoekers een gedetailleerd beeld van veranderingen in hersenactiviteit terwijl de tieners positieve, neutrale en negatieve emotionele informatie verwerkten.

Het onderliggende idee is dat depressie verband kan houden met veranderingen in de manier waarop mensen emotionele informatie verwerken.

Eerder wetenschappelijk onderzoek heeft aangetoond dat verschillen in hersenreacties op gezichtsuitdrukkingen verband kunnen houden met latere depressieve symptomen. Een studie vond bijvoorbeeld dat activiteit in de amygdala toen jongvolwassenen neutrale gezichten bekeken, samenhing met een toename van depressieve symptomen twee jaar later.

Onderzoekers onderzoeken nu of kunstmatige intelligentie deze subtiele patronen over meerdere hersengebieden kan combineren en ermee toekomstige risico's effectiever kan inschatten dan conventionele analyse.

AI zoekt naar verborgen patronen

Machine learning kan enorme hoeveelheden data analyseren en relaties identificeren die met traditionele statistische methoden moeilijk te detecteren zijn.

In het gemelde onderzoek leerde de AI patronen die samenhingen met verschillen in emotionele verwerking. Tieners die als kwetsbaarder voor depressie werden beschouwd, leken emotionele informatie anders te verwerken, onder meer door een grotere neiging te tonen om dubbelzinnige of negatieve gezichtsuitdrukkingen minder positief te interpreteren.

Het systeem werd vervolgens toegepast op hersenscans van jongeren die op dat moment geen duidelijke depressiesymptomen vertoonden.

Het doel was niet om op dat moment depressie te diagnosticeren. In plaats daarvan wilden onderzoekers bepalen of de door de AI geïdentificeerde hersenpatronen konden wijzen op een grotere kans om later symptomen te ontwikkelen.

Toen deelnemers enkele jaren later opnieuw werden beoordeeld, bleken degenen die als hoger risico waren geclassificeerd volgens de berichtgeving vaker depressieve symptomen te hebben ontwikkeld.

Dergelijk longitudinaal onderzoek is bijzonder belangrijk omdat het test of een biologische aanwijzing die vóór het optreden van symptomen wordt waargenomen, enig verband heeft met latere uitkomsten voor de geestelijke gezondheid.

Voorspelling over vier jaar kan vroege interventie veranderen

Als de gemelde bevindingen worden gerepliceerd in grotere en onafhankelijke populaties, kan de technologie uiteindelijk gevolgen hebben voor vroege interventie.

Depressie wordt vaak pas vastgesteld nadat symptomen al merkbaar zijn geworden. Een betrouwbaar risicovoorspellingssysteem zou artsen en onderzoekers mogelijk meer tijd kunnen geven om mensen te monitoren die kwetsbaar kunnen zijn.

Het doel zou niet noodzakelijk zijn om iemand jaren van tevoren als depressief te bestempelen. In plaats daarvan zou een toekomstig systeem kunnen helpen mensen te identificeren die baat kunnen hebben bij nauwere monitoring, preventieve strategieën of अतिरिक्त psychologische ondersteuning.

Wetenschappelijk onderzoek laat al zien dat machine learning bruikbare voorspellende informatie uit hersenbeeldvorming kan halen.

Een studie uit 2024 met gegevens van 2.658 kinderen uit de Adolescent Brain Cognitive Development-studie vond dat multimodale neuroimaging-kenmerken het depressierisico bij een follow-up na twee jaar konden voorspellen, waarbij resting-state functional connectivity bijzonder goed presteerde bij deelnemers met een familiale voorgeschiedenis van depressie.

Ander onderzoek heeft eveneens het gebruik van MRI en machine learning onderzocht om het ontstaan van depressie in de toekomst bij adolescenten te voorspellen.

De technologie heeft nog grote beperkingen

Ondanks het potentieel staan onderzoekers voor aanzienlijke uitdagingen voordat AI-gebaseerde voorspelling van depressie een routinematig medisch hulpmiddel kan worden.

MRI-scans zijn duur en vereisen gespecialiseerde apparatuur. Hersenactiviteit kan bovendien sterk verschillen tussen individuen, waardoor het moeilijk is één patroon vast te stellen dat voor iedereen geldt.

Onderzoekers moeten ook bepalen of een AI-model dat op één groep is getraind net zo goed werkt bij mensen uit verschillende regio's, culturen, leeftijdsgroepen en sociaaleconomische achtergronden.

Privacy is een andere grote zorg.

Hersenscans bevatten uiterst gevoelige biologische informatie. Elk systeem dat kunstmatige intelligentie gebruikt om risico's voor de geestelijke gezondheid te beoordelen, zou sterke waarborgen nodig hebben om misbruik of onjuiste labeling te voorkomen.

Het belangrijkste is dat een verhoogde risicoscore nooit als een definitieve diagnose mag worden beschouwd.

Recent onderzoek toont aan dat machine learning aspecten van geestelijk gezondheidsrisico bij adolescenten kan voorspellen, maar onderzoekers blijven benadrukken dat validatie en verder testen nodig zijn voordat dergelijke systemen als betrouwbare klinische hulpmiddelen kunnen worden beschouwd.

Toenemende belangstelling voor AI en geestelijke gezondheid

De ontwikkeling weerspiegelt een bredere trend in medisch onderzoek nu kunstmatige intelligentie steeds beter in staat wordt om complexe biologische data te analyseren.

Wetenschappers onderzoeken AI-modellen die MRI-scans, gedragsinformatie, slaappatronen, familiegeschiedenis en andere factoren combineren om het risico op geestelijke gezondheidsproblemen in te schatten.

Een review uit 2025 belichtte onderzoek met gegevens van meer dan 11.000 kinderen in de ABCD-studie en vond dat machinelearningsystemen bepaalde toekomstige risico's voor geestelijke gezondheid konden identificeren, hoewel gedragsmatige en sociale factoren in sommige modellen vaak een grotere rol speelden dan uit MRI afgeleide metingen.

Die bevinding onderstreept waarom onderzoekers steeds vaker overstappen op multimodale modellen in plaats van uitsluitend te vertrouwen op hersenscans.

Het bericht over het nieuwste AI-onderzoek heeft zich ook verspreid onder technologie- en cryptocurrency-doelgroepen, waaronder discussie vanuit het X-account @coinbureau. De bredere belangstelling weerspiegelt hoe snel kunstmatige intelligentie zich uitbreidt voorbij financiële toepassingen en naar gebieden als neurowetenschap en gezondheidszorg.

Wat volgt

De mogelijkheid om depressie jaren vóór het verschijnen van symptomen te voorspellen is wetenschappelijk intrigerend, maar er is meer onderzoek nodig voordat de technologie als een betrouwbaar voorspellend hulpmiddel kan worden beschouwd.

Onderzoekers zullen de bevindingen moeten reproduceren met grotere groepen, onafhankelijke datasets en langere follow-upperiodes. Ook moeten zij vaststellen hoe nauwkeurig het model werkt buiten de populatie waarin het is ontwikkeld.

Voor nu is de belangrijkste conclusie dat kunstmatige intelligentie wetenschappers nieuwe manieren geeft om de relatie tussen hersenactiviteit, emotionele verwerking en toekomstig geestelijk gezondheidsrisico te bestuderen.

Als deze benaderingen zich blijven verbeteren, zou AI-ondersteunde hersenanalyse uiteindelijk één onderdeel kunnen worden van eerdere screening en preventie van geestelijke gezondheidsproblemen.

Maar de technologie blijft een onderzoeksinstrument en geen vervanging voor professionele diagnose. Het vooruitzicht om depressierisico jaren van tevoren te identificeren is veelbelovend, maar om aan te tonen dat dergelijke voorspellingen accuraat, eerlijk en klinisch bruikbaar zijn, is aanzienlijk aanvullend bewijs nodig.