Исследователи изучают новое применение искусственного интеллекта, которое в перспективе может помочь выявлять людей с повышенным риском развития депрессии ещё до появления заметных симптомов.

Этот подход сочетает искусственный интеллект с нейровизуализацией мозга, позволяя учёным изучать, как мозг реагирует на различные эмоциональные сигналы, и выявлять закономерности, связанные с будущим риском депрессии.

По данным, распространяемым в криптовалютном и технологическом сообществе, исследователи обучили систему ИИ на снимках мозга подростков, включая участников как с симптомами депрессии, так и без них. Участникам показывали лица с радостными, нейтральными и сердитыми эмоциями, пока магнитно-резонансная томография (МРТ) фиксировала активность их мозга.

Затем исследователи использовали полученные картины мозговой активности для обучения модели искусственного интеллекта, предназначенной различать особенности обработки эмоций.

Эта концепция относится к быстроразвивающейся области нейронауки, в которой исследователи применяют машинное обучение для выявления биологических и поведенческих закономерностей, которые могут быть связаны с будущими расстройствами психического здоровья.

Однако важно различать предсказание повышенного риска и диагностику депрессии. Система ИИ, выявившая статистическую закономерность, не может определить @coinbureau с полной уверенностью, что у конкретного человека разовьётся это расстройство.

Как ИИ анализировал эмоциональные реакции

Методика исследования сосредоточена на том, как реагирует мозг при обработке человеком мимики.

Участникам во время МРТ-сканирования показывали лица с разными эмоциями. Полученные изображения дали исследователям детальное представление об изменениях мозговой активности, когда подростки обрабатывали позитивную, нейтральную и негативную эмоциональную информацию.

Базовая идея состоит в том, что депрессия может быть связана с изменениями в способе обработки человеком эмоциональной информации.

Предыдущие научные работы показали, что различия в реакции мозга на мимику могут быть связаны с последующими депрессивными симптомами. Например, одно исследование установило, что активность миндалевидного тела (амигдалы) у молодых людей при рассмотрении нейтральных лиц была связана с нарастанием депрессивных симптомов два года спустя.

Теперь исследователи выясняют, может ли искусственный интеллект объединять эти тонкие закономерности в нескольких областях мозга и использовать их для оценки будущего риска эффективнее, чем традиционный анализ.

ИИ ищет скрытые закономерности

Машинное обучение способно анализировать огромные объёмы данных и выявлять взаимосвязи, которые трудно обнаружить традиционными статистическими методами.

В описываемом исследовании ИИ усвоил закономерности, связанные с различиями в обработке эмоций. Подростки, считавшиеся более уязвимыми к депрессии, по-видимому, обрабатывали эмоциональную информацию иначе — в частности, в большей степени были склонны интерпретировать неоднозначные или негативные выражения лица менее позитивно.

Затем систему применили к снимкам мозга молодых людей, у которых на тот момент не наблюдалось явных симптомов депрессии.

Цель не состояла в том, чтобы диагностировать депрессию в тот момент. Вместо этого исследователи хотели определить, могут ли картины мозговой активности, выявленные ИИ, указывать на более высокую вероятность появления симптомов в дальнейшем.

Когда участников повторно оценили спустя несколько лет, те, кто был отнесён к группе повышенного риска, по имеющимся данным, с большей вероятностью действительно столкнулись с депрессивными симптомами.

Такие лонгитюдные исследования особенно важны, поскольку они проверяют, связан ли биологический сигнал, зафиксированный до появления симптомов, с последующими показателями психического здоровья.

Четырёхлетний прогноз мог бы изменить раннее вмешательство

Если представленные результаты будут воспроизведены на более крупных и независимых группах населения, технология в перспективе может иметь значение для раннего вмешательства.

Депрессию нередко выявляют уже после того, как симптомы стали заметными. Надёжная система прогнозирования риска потенциально могла бы дать врачам и исследователям больше времени для наблюдения за людьми, которые могут быть уязвимы.

Цель не обязательно состояла бы в том, чтобы заранее, за несколько лет, пометить человека как страдающего депрессией. Скорее, будущая система могла бы помогать выявлять людей, которым могут быть полезны более пристальное наблюдение, профилактические стратегии или дополнительная психологическая поддержка.

Научные исследования уже показывают, что машинное обучение может извлекать полезную прогнозную информацию из нейровизуализации мозга.

Исследование 2024 года с использованием данных 2 658 детей из исследования Adolescent Brain Cognitive Development показало, что мультимодальные нейровизуализационные признаки позволяют прогнозировать риск депрессии при двухлетнем наблюдении, причём функциональная связность в состоянии покоя показала особенно хорошие результаты среди участников с депрессией в анамнезе у родителей.

Другие работы аналогично изучали применение МРТ и машинного обучения для прогнозирования будущего начала депрессии у подростков.

Технология всё ещё имеет серьёзные ограничения

Несмотря на потенциал, перед исследователями стоят серьёзные задачи, прежде чем прогнозирование депрессии на основе ИИ сможет стать рутинным медицинским инструментом.

МРТ-сканирование стоит дорого и требует специализированного оборудования. Кроме того, мозговая активность может заметно различаться у разных людей, что затрудняет установление единой закономерности, применимой ко всем.

Исследователям также предстоит определить, работает ли модель ИИ, обученная на одной группе, одинаково хорошо у людей из разных регионов, культур, возрастных групп и социально-экономических условий.

Конфиденциальность — ещё одна серьёзная проблема.

Снимки мозга содержат крайне чувствительную биологическую информацию. Любой системе, использующей искусственный интеллект для оценки риска для психического здоровья, потребовались бы надёжные меры защиты, предотвращающие злоупотребления или некорректное присвоение меток.

Самое главное — повышенный показатель риска никогда не следует рассматривать как окончательный диагноз.

Последние исследования демонстрируют, что машинное обучение может прогнозировать отдельные аспекты риска для психического здоровья подростков, однако исследователи продолжают подчёркивать необходимость валидации и дополнительных испытаний, прежде чем такие системы можно будет считать надёжными клиническими инструментами.

Растущий интерес к ИИ и психическому здоровью

Это развитие отражает более широкую тенденцию в медицинских исследованиях по мере того, как искусственный интеллект становится всё более способным анализировать сложные биологические данные.

Учёные изучают модели ИИ, которые сочетают МРТ-снимки, поведенческую информацию, режим сна, семейный анамнез и другие факторы для оценки риска для психического здоровья.

Обзор 2025 года, посвящённый исследованиям с использованием данных более чем 11 000 детей из исследования ABCD, показал, что системы машинного обучения могут выявлять определённые будущие риски для психического здоровья, хотя в некоторых моделях поведенческие и социальные факторы зачастую играли более значительную роль, чем показатели, полученные с помощью МРТ.

Этот вывод объясняет, почему исследователи всё чаще переходят к мультимодальным моделям, вместо того чтобы полагаться только на снимки мозга.

Сообщения о новейших исследованиях ИИ также распространились среди технологической и криптовалютной аудитории, включая обсуждение со стороны аккаунта @coinbureau в X. Такой широкий интерес отражает, насколько быстро искусственный интеллект выходит за пределы финансовых приложений и проникает в области нейронауки и здравоохранения.

Что дальше

Возможность предсказывать депрессию за годы до появления симптомов научно интригующа, однако прежде чем технологию можно будет считать надёжным прогностическим инструментом, необходимы дополнительные исследования.

Исследователям предстоит воспроизвести результаты на более крупных группах, независимых наборах данных и при более длительных периодах наблюдения. Им также потребуется определить, насколько точно модель работает за пределами популяции, на которой она была разработана.

На данный момент самое важное заключается в том, что искусственный интеллект даёт учёным новые способы изучения связи между мозговой активностью, обработкой эмоций и будущим риском для психического здоровья.

Если эти подходы продолжат совершенствоваться, анализ мозга с помощью ИИ со временем может стать одним из компонентов более раннего скрининга и профилактики нарушений психического здоровья.

Однако технология остаётся исследовательским инструментом, а не заменой профессиональной диагностики. Перспектива выявлять риск депрессии за несколько лет вперёд выглядит обещающей, но доказательство того, что такие прогнозы точны, справедливы и клинически полезны, потребует значительного объёма дополнительных доказательств.