במאמר שפורסם בכתב העת Schizophrenia Bulletin מדווחים חוקרים על נתונים חדשים, מהם עולה כי העדויות התומכות בבחינה מחדש של השימוש באמצעי לימוד מכונה והדמיה מבנית לזיהוי אירוע פסיכוזה ראשון וסבורים כי התוצאות המבטיחות המוקדמות היו אופטימיות יתר על המידה.

למרות עניין רב באמצעי לימוד מכונה והדמיה לזיהוי פסיכוזה בנבדקים שונים, המהימנות של הממצאים אינה ברורה לאור מגבלות מתודולוגיות שונות במאמרים רבים שפורסמו בספרות הרפואית. במחקר הנוכחי ביקשו החוקרים לבחון עד כמה השימוש באמצעי לימוד מכונה ונתוני בדיקות הדמיה עשויים לסייע בזיהוי אירוע פסיכוזה ראשון, תוך זהירות מתודולוגית במטרה להימנע מתוצאות אופטימיות יתר על המידה.

החוקרים בחנו גישות לימוד מכונה (Machine Learning) מסורתיות וכן גישה חדשה בשם למידה עמוקה (Deep Learning) באמצעות שלוש סדרות שונות: GMV (Gray Matter Volume), VBCT (Voxel-Based Cortical Thickness) ו-RVCT (Regional Volumes and Cortical Thickness). להערכת המהימנות של הממצאים הם חזרו על כל הניתוחים הסטטיסטיים בחמישה מדגמים, שכללו 956 משתתפים (514 חולים עם אירוע פסיכוזה ראשון ו-444 ביקורות).

מניתוח הנתונים עלה כי הדיוק של GMV נע בין 50-63%, הדיוק של VBCT נע בין 51-68% והדיוק של RVCT נע בין 50-70%. הדיוק הטוב ביותר הושג כאשר החוקרים בחנו את תוצאות מערכת למידה עמוקה עם מאפייני RVCT (70%); עם זאת, התוקף של המודלים הללו באתרים אחרים היה נמוך.

ממצאי המחקר מציעים כי יש לנקוט משנה זהירות בהערכת המתודולוגיה של המחקרים בספרות הרפואית להערכת אמצעי לימוד מכונה והדמיה מבנית להערכת חולים עם אירוע פסיכוזה ראשון ולהימנע מאופטימיות-יתר, שכן נראה כי זיהוי חולים בשלבי פסיכוזה מוקדמים מאתגר יותר מכפי שסברו תחילה.

Schizophr Bull. 2020;46(1):17-26

לידיעה במדסקייפ