Bet jeigu pokyčiai yra subtilūs arba jų iš viso nėra, diagnozė tampa daug sudėtingesnė. Įvairūs duomenų analizės metodai leidžia palyginti paciento MRI vaizdus su tūkstančiais kitų sveikų žmonių duomenimis ir aptikti nukrypimus, kuriuos, galbūt, akimi sunku pastebėti.
Tuo tarpu funkcinis MRI (fMRI) gali atskleisti, kurios smegenų sritys yra aktyvios atliekant tam tikras užduotis. Tada galima palyginti sveiko žmogaus ir, pavyzdžiui, sutrikusio mokymosi paciento neuroninės veiklos dinamiką, sprendžiant įvairias užduotis, kad būtų galima efektyviai diagnozuoti, vėliau ir kurti naujus gydymo metodus šiems sutrikimams gydyti. Tam irgi yra reikalingos įvairios technikos ir statistiniai modeliai, kad būtų užtikrintas tikslumas.
Be to, kai kurie neurologiniai ar psichiatriniai sutrikimai/ligos yra ne struktūrinės, o funkcinės kilmės (pvz., epilepsija), tad čia labiau pasitarnauja elektroencefalografija (EEG) arba magnetoencefalografija (MEG), kurios leidžia stebėti smegenų veiklą su aukšta laiko raiška. Tačiau patys signalai yra labai triukšmingi ir kinta priklausomai nuo daugybės veiksnių.
Čia analitikas gali pasitelkti signalų filtravimo ir transformacijos metodus, kad atskirtų naudingą informaciją nuo „triukšmo“. Pavyzdžiui, epilepsijos diagnozėje EEG signalų analizė gali padėti aptikti priepuoliams būdingus dėsningumus net tada, kai priepuoliai dar nėra pasireiškę aiškiai matomais simptomais.
Taigi, neurologijos ir duomenų analizės sąveika suteikia gydytojams papildomus įrankius, leidžiančius ne tik tiksliau diagnozuoti ligas, bet ir geriau suprasti jų eigą bei poveikį smegenų funkcijoms. Duomenų analitikas gali gerokai supaprastinti medicinos specialistų darbą, įdarbinant įvairias kompiuterines technikas. Tai gali turėti įtaką geresnei pacientų priežiūrai ir kurti naujas galimybes personalizuotai medicinai.
– Kokiomis technologijomis jums teko naudotis atliekant duomenų analizę neuromokslų srityje? Gal teko prisidėti kuriant naujas technologijas ir pačiai, pavyzdžiui, skirtas žmogaus emocinei gerovei skatinti?
– Per kelerių metų karjerą moksle daugiausia dirbau su neurofiziologinių signalų, tokių kaip EEG, MEG ir elektromiograma (EMG) analize. Taikiau įvairius statistinius ir mašininio mokymosi metodus, siekdama modeliuoti pirminių smegenų žievių veiklą ir ieškoti dėsningumų sveiko žmogaus smegenyse bei lyginti juos su neurologinių ligų, tokių kaip demencija ar išsėtinė sklerozė, pacientais. Pagrindinė technologija, kurią naudoju savo darbe – tai „Python“ ir „Matlab“ programavimo kalbos. Jos leidžia tvarkyti didelius duomenis vienu metu ir prireikus kurti savo analizės metodus.
Kalbant apie naujų metodų kūrimą, dirbdama akademinėje aplinkoje, dažnai pritaikydavau jau esamus įrankius naujoms problemoms spręsti. Tačiau esu prisidėjusi prie funkcinio šaltinių atskyrimo (angl. Functional Source Separation, FSS) algoritmo tobulinimo bei jo diegimo į EEGLAB programinės įrangos paketą.
Šis algoritmas yra signalų apdorojimo metodas, skirtas atskirti ir identifikuoti skirtingus neuroninius šaltinius, pavyzdžiui, pirminę somatosensorinę ir motorinę žieves, naudojant vien tik elektrofiziologinius duomenis. Toks atskyrimas yra itin svarbus, nes analizuojant signalus nuo skalpo, tikslus jų šaltinis nėra iš anksto žinomas, o norint tyrinėti specifinius smegenų regionus, pirmiausia būtina atlikti signalų atskyrimą ir nustatyti jų kilmę.
Savo darbe esu naudojusi ir dirbtinius neuroninius tinklus MRI vaizdų analizei atlikti. Čia buvo klasifikuojami Alzheimerio liga sergančių ir lengvų kognityvinių sutrikimų turinčių pacientų bei sveikų žmonių smegenų MRI vaizdai.
Teko įdarbinti ir grafų neuroninius tinklus, kur klasifikavau Alzheimerio ligos ir frontotemporalinės skilties demencijos pacientų bei sveikų žmonių EEG signalus, juos pavertus į jungčių matricas, kurios buvo paverstos į grafus klasifikavimo problemai spręsti.
Turėdama tam tikrus duomenis, bandau kelti hipotezę, ką norėčiau atrasti juose, tada peržvelgiu naujausią mokslinę literatūrą ir pritaikau sprendimą, – ar tai statistinį modelį, ar vieną dirbtinių neuroninių tinklų. Taikau tą metodą, kuris labiausiai tinka konkrečiai problemai spręsti.
Kalbant apie emocinę gerovę, vienas įdomus projektas, prie kurio teko dirbti – tai astronautų, esančių Tarptautinėje kosminėje stotyje (angl. International Space Station, ISS), EEG duomenų analizė.
Buvo keltos kelios hipotezės, bet viena iš jų tai, ar mikrogravitacija, cirkadinis ritmas, izoliuotumas ir kiti neįprasti veiksniai turi įtakos neuroninei veiklai ramybės būsenoje. Pirminiai rezultatai rodo, kad neuroninė veikla kosmose gali turėti prailgintas „mikrobūsenas“, palyginti su kontroline populiacija Žemėje.
Tokie tyrimai yra tik labai mažas žingsnelis į priekį, bet yra būtini tam, kad būtų užtikrinta fiziologinė ir psichologinė astronautų (o vėliau gal ir kosmoso turistų) gerovė. Šis tyrimas dar tęsiamas.
– Neuromokslų ateitis. Kokią ją matote XXI a. pabaigoje?
– Senėjant visuomenei ir ilgėjant gyvenimo metams, linkėčiau, kad ilgėtų ir sveiko gyvenimo metai. Taigi čia yra būtina neuromokslų pažanga.
XXI a. pabaigoje, tikėtina, kad bus sukurti itin tikslūs matematiniai ir kompiuteriniai modeliai (skaitmeniniai dvyniai), leidžiantys imituoti įvairias neurologines ligas, jų progresavimą ir atsaką į gydymą. Tokie modeliai ne tik pagerintų diagnozavimo procesus, bet ir leistų personalizuoti gydymą, numatant, kurie metodai bus veiksmingiausi kiekvienam pacientui.
Viena iš sričių, kuri neabejotinai vystysis, yra elektrinė smegenų stimuliacija. Jau dabar ji naudojama gydant Parkinsono ligą, depresiją ar epilepsiją. Tikėtina, kad šiuo metu atliekami moksliniai tyrimai elektrinės stimuliacijos srityje bus dar plačiau taikomi medicinoje, kaip, pavyzdžiui, įvedant elektrinius impulsus į reikiamas nervines struktūras regėjimui atkurti. Tikslūs matematiniai modeliai padėtų nustatyti optimalius stimuliacijos parametrus, kad būtų galima veiksmingai reguliuoti neuronų aktyvumą ir atkurti sutrikusias smegenų funkcijas, sumažinant šalutinį poveikį ir personalizuojant gydymą.
Be to, tokie pažangūs modeliai leistų reikšmingai sumažinti eksperimentų su gyvūnais poreikį. Virtualios biologinės sistemos, tikėtina, paremtos dirbtiniu intelektu, galėtų būti naudojamos naujų vaistų ir gydymo metodų testavimui dar prieš pradedant eksperimentus su gyvais organizmais, taip sumažinant etines dilemas ir pagreitinant naujų terapijų kūrimą.
Visa tai reikštų, kad neuromokslai vis labiau priartėtų prie tiksliojo mokslo – sugebėtume ne tik stebėti ir analizuoti smegenų veiklą, bet ir ją modeliuoti, prognozuoti pokyčius bei taikyti labiau pagrįstus gydymo metodus.
