Badacze badają nowe zastosowanie sztucznej inteligencji, które ostatecznie może pomóc w identyfikacji osób z podwyższonym ryzykiem rozwoju depresji, zanim pojawią się zauważalne objawy.

Podejście to łączy sztuczną inteligencję z obrazowaniem mózgu, co pozwala badaczom analizować, jak mózg reaguje na różne sygnały emocjonalne, oraz identyfikować wzorce związane z przyszłym ryzykiem depresji.

Zgodnie z informacjami krążącymi w społeczności kryptowalutowej i technologicznej badacze wytrenowali system AI na skanach mózgów nastolatków, w tym uczestników z objawami depresji i bez nich. Uczestnikom pokazywano twarze wyrażające radość, neutralność i złość, podczas gdy rezonans magnetyczny (MRI) rejestrował aktywność ich mózgów.

Następnie badacze wykorzystali powstałe w ten sposób wzorce mózgowe do wytrenowania modelu sztucznej inteligencji zaprojektowanego tak, aby rozróżniał różnice w przetwarzaniu emocji.

Koncepcja ta jest częścią szybko rozwijającej się dziedziny neuronauki, w której badacze wykorzystują uczenie maszynowe do identyfikacji wzorców biologicznych i behawioralnych, które mogą być związane z przyszłymi problemami ze zdrowiem psychicznym.

Trzeba jednak odróżnić przewidywanie podwyższonego ryzyka od diagnozowania depresji. System AI, który identyfikuje wzorzec statystyczny, nie może stwierdzić @coinbureau z całą pewnością, że dana osoba rozwinie to zaburzenie.

Jak AI analizowało reakcje emocjonalne

Podejście badawcze koncentruje się na tym, jak mózg reaguje, gdy ludzie przetwarzają wyrazy twarzy.

Uczestnikom podczas badań MRI pokazywano twarze wyrażające różne emocje. Obrazy dały badaczom szczegółowy obraz zmian aktywności mózgu, gdy nastolatkowie przetwarzali pozytywne, neutralne i negatywne informacje emocjonalne.

Podstawowa idea zakłada, że depresja może wiązać się ze zmianami w sposobie, w jaki ludzie przetwarzają informacje emocjonalne.

Wcześniejsze badania naukowe wykazały, że różnice w reakcjach mózgu na wyrazy twarzy mogą wiązać się z późniejszymi objawami depresyjnymi. Jedno z badań wykazało na przykład, że aktywność ciała migdałowatego u młodych dorosłych oglądających neutralne twarze była związana ze wzrostem objawów depresyjnych dwa lata później.

Badacze sprawdzają teraz, czy sztuczna inteligencja potrafi połączyć te subtelne wzorce występujące w wielu obszarach mózgu i wykorzystać je do skuteczniejszego szacowania przyszłego ryzyka niż konwencjonalna analiza.

AI szuka ukrytych wzorców

Uczenie maszynowe może analizować ogromne ilości danych i identyfikować zależności, które trudno wykryć tradycyjnymi metodami statystycznymi.

W opisywanych badaniach AI nauczyło się wzorców związanych z różnicami w przetwarzaniu emocji. Nastolatkowie uważani za bardziej podatnych na depresję przetwarzali informacje emocjonalne inaczej, wykazując m.in. większą skłonność do interpretowania niejednoznacznych lub negatywnych wyrazów twarzy w mniej pozytywny sposób.

Następnie system zastosowano do skanów mózgów młodych ludzi, u których nie obserwowano wówczas oczywistych objawów depresji.

Celem nie było w tamtym momencie diagnozowanie depresji. Badacze chcieli raczej ustalić, czy wzorce mózgowe zidentyfikowane przez AI mogą wskazywać na wyższe prawdopodobieństwo rozwoju objawów w przyszłości.

Gdy uczestników oceniono ponownie po kilku latach, osoby zaklasyfikowane wcześniej do grupy podwyższonego ryzyka miały podobno większe prawdopodobieństwo rozwoju objawów depresyjnych.

Ten rodzaj badań podłużnych jest szczególnie ważny, ponieważ sprawdza, czy sygnał biologiczny zaobserwowany przed pojawieniem się objawów ma jakikolwiek związek z późniejszym stanem zdrowia psychicznego.

Czteroletnia predykcja może zmienić wczesną interwencję

Jeśli opisywane wyniki zostaną powtórzone na większych i niezależnych populacjach, technologia może ostatecznie mieć znaczenie dla wczesnej interwencji.

Depresję często rozpoznaje się dopiero wtedy, gdy objawy stają się już zauważalne. Niezawodny system przewidywania ryzyka mógłby potencjalnie dać lekarzom i badaczom więcej czasu na monitorowanie osób, które mogą być podatne.

Celem niekoniecznie byłoby oznaczanie kogoś jako chorego na depresję na lata naprzód. Przyszły system mógłby raczej pomóc w identyfikacji osób, które mogłyby skorzystać z bliższego monitorowania, strategii prewencyjnych lub dodatkowego wsparcia psychologicznego.

Badania naukowe już pokazują, że uczenie maszynowe może wyodrębniać użyteczne informacje predykcyjne z obrazowania mózgu.

Badanie z 2024 roku wykorzystujące dane 2 658 dzieci z badania Adolescent Brain Cognitive Development wykazało, że wielomodalne cechy neuroobrazowania mogą przewidywać ryzyko depresji w dwuletniej obserwacji, przy czym spoczynkowa łączność funkcjonalna osiągała szczególnie dobre wyniki wśród uczestników z wywiadem rodzinnym w kierunku depresji.

Inne badania podobnie analizowały wykorzystanie MRI i uczenia maszynowego do przewidywania przyszłego rozwoju depresji u nastolatków.

Technologia nadal ma poważne ograniczenia

Mimo potencjału badacze stają przed poważnymi wyzwaniami, zanim przewidywanie depresji oparte na AI mogłoby stać się rutynowym narzędziem medycznym.

Skanowanie MRI jest kosztowne i wymaga specjalistycznego sprzętu. Aktywność mózgu może też znacznie różnić się między osobami, co utrudnia ustalenie jednego wzorca uniwersalnego dla wszystkich.

Badacze muszą też ustalić, czy model AI wytrenowany na jednej grupie działa równie dobrze u osób z różnych regionów, kultur, grup wiekowych i środowisk społeczno-ekonomicznych.

Prywatność to kolejna poważna kwestia.

Skan mózgu zawiera wysoce wrażliwe informacje biologiczne. Każdy system wykorzystujący sztuczną inteligencję do oceny ryzyka w zakresie zdrowia psychicznego wymagałby silnych zabezpieczeń, aby zapobiec nadużyciom lub niewłaściwemu etykietowaniu.

Co najważniejsze, podwyższony wynik ryzyka nigdy nie powinien być traktowany jako ostateczna diagnoza.

Najnowsze badania pokazują, że uczenie maszynowe może przewidywać niektóre aspekty ryzyka związanego ze zdrowiem psychicznym nastolatków, ale badacze wciąż podkreślają konieczność walidacji i dalszych testów, zanim takie systemy będzie można uznać za wiarygodne narzędzia kliniczne.

Rosnące zainteresowanie AI i zdrowiem psychicznym

To wydarzenie odzwierciedla szerszy trend w badaniach medycznych, ponieważ sztuczna inteligencja staje się coraz lepiej zdolna do analizowania złożonych danych biologicznych.

Naukowcy badają modele AI łączące skany MRI, informacje behawioralne, wzorce snu, wywiad rodzinny i inne czynniki w celu szacowania ryzyka związanego ze zdrowiem psychicznym.

Przegląd z 2025 roku zwrócił uwagę na badania wykorzystujące dane ponad 11 000 dzieci z badania ABCD i wykazał, że systemy uczenia maszynowego potrafią identyfikować niektóre przyszłe zagrożenia dla zdrowia psychicznego, choć w niektórych modelach czynniki behawioralne i społeczne odgrywały większą rolę niż miary pochodzące z MRI.

Ten wynik podkreśla, dlaczego badacze coraz częściej przechodzą na modele wielomodalne, zamiast opierać się wyłącznie na skanach mózgu.

Doniesienia o najnowszych badaniach nad AI krążą również wśród odbiorców zainteresowanych technologiami i kryptowalutami, w tym w dyskusji na koncie X @coinbureau. Szersze zainteresowanie pokazuje, jak szybko sztuczna inteligencja wykracza poza zastosowania finansowe i wchodzi w dziedziny takie jak neuronauka i ochrona zdrowia.

Co dalej

Możliwość przewidywania depresji na lata przed pojawieniem się objawów jest naukowo intrygująca, ale potrzeba więcej badań, zanim technologię będzie można uznać za wiarygodne narzędzie predykcyjne.

Badacze będą musieli odtworzyć te wyniki na większych grupach, niezależnych zestawach danych i przy dłuższych okresach obserwacji. Będą też musieli ustalić, jak dokładnie model działa poza populacją, na której go opracowano.

Na razie najważniejszy wniosek jest taki, że sztuczna inteligencja daje naukowcom nowe sposoby badania związków między aktywnością mózgu, przetwarzaniem emocji a przyszłym ryzykiem dla zdrowia psychicznego.

Jeśli te podejścia będą się dalej doskonalić, analiza mózgu wspomagana przez AI może ostatecznie stać się jednym z elementów wcześniejszego badania przesiewowego i prewencji w zakresie zdrowia psychicznego.

Technologia pozostaje jednak narzędziem badawczym, a nie zamiennikiem profesjonalnej diagnozy. Perspektywa identyfikowania ryzyka depresji z wieloletnim wyprzedzeniem jest obiecująca, ale udowodnienie, że takie przewidywania są dokładne, sprawiedliwe i przydatne klinicznie, będzie wymagało istotnych dodatkowych dowodów.