Yenilikler

Beyin Modelleri Tek Boyutta Değildir

Makine öğrenimi, bilim adamlarının beynin karmaşık insan özelliklerine nasıl yol açtığını anlamalarına yardımcı oldu ve çalışma belleği gibi davranışlar, dürtüsellik gibi özellikler ve depresyon gibi bozukluklarla ilgili beyin aktivitesi kalıplarını ortaya çıkardı. Ve bu araçlarla bilim adamları, teoride, bireylerin davranışları ve sağlığı hakkında tahminlerde bulunmak için kullanılabilecek bu ilişkilerin modellerini oluşturabilirler.

Ancak bu yalnızca modeller herkesi temsil ediyorsa işe yarar ve önceki araştırmalar göstermediklerini göstermiştir; Herhangi bir model için, modelin uymadığı bazı insanlar var.

24 Ağustos’ta yayınlanan bir çalışmada DoğaYale araştırmacıları bu modellerin kimlerin başarısız olma eğiliminde olduğunu, bunun neden olduğunu ve bu konuda ne yapılabileceğini inceledi.

MD-Ph.D olan Abigail Greene, modellerin maksimum düzeyde yararlı olması için herhangi bir kişiye uygulanması gerektiğini söylüyor. Yale Tıp Fakültesi’nde öğrenci ve çalışmanın baş yazarı.

“Örneğin, bu tür bir çalışmayı klinik bir uygulamaya taşımak istiyorsak, modelin önümüzde oturan hasta için geçerli olduğundan emin olmamız gerekiyor” dedi.

Greene ve meslektaşları, modellerin iki yolla elde edilebileceğini düşündükleri daha kesin psikiyatrik tanımlamayı nasıl sağlayabileceğiyle ilgileniyorlar. Birincisi, hasta popülasyonlarını daha iyi kategorize etmektir. Örneğin şizofreni teşhisi bir dizi semptomu kapsar ve kişiden kişiye çok farklı görünebilir. Şizofreninin semptomları ve alt kategorileri de dahil olmak üzere nöral temellerinin daha derin bir şekilde anlaşılması, araştırmacıların hastaları daha incelikli bir şekilde gruplandırmasına izin verebilir.

İkinci olarak, çeşitli teşhislerde paylaşılan dürtüsellik gibi özellikler vardır. Dürtüselliğin sinirsel temelini anlamak, klinisyenlerin, bağlı olduğu hastalık teşhisinden bağımsız olarak bu semptomu daha etkili bir şekilde hedeflemesine yardımcı olabilir.

Greene, “Ve her iki ilerlemenin de tedavi yanıtları üzerinde etkileri olacaktır” dedi. “Aynı teşhisleri taşıyan veya taşımayan bireylerin bu alt gruplarını ne kadar iyi anlayabilirsek, tedavileri onlara o kadar iyi uyarlayabiliriz.”

Ama önce modellerin herkese genellenebilir olması gerekiyor, dedi.

Model başarısızlığını anlamak için, Greene ve meslektaşları önce bir kişinin çeşitli bilişsel testlerde ne kadar iyi puan alacağını tahmin etmek için beyin aktivitesi kalıplarını kullanabilen modelleri eğitti. Test edildiğinde, modeller ne kadar iyi tahmin etti çoğu bireyler puan alacaktı. Ancak bazı insanlar için yanlıştı, yanlış bir şekilde, insanların gerçekten iyi puan aldıklarında düşük puan alacaklarını tahmin ettiler ve bunun tersi de oldu.

Araştırma ekibi daha sonra modellerin kimleri doğru kategorize edemediğini inceledi.

Greene, “Tutarlılık olduğunu bulduk – aynı kişiler görevler ve analizler arasında yanlış sınıflandırılıyordu” dedi. “Ve bir veri kümesinde yanlış sınıflandırılan kişilerin, başka bir veri kümesinde yanlış sınıflandırılanlarla ortak bir yanı vardı. Dolayısıyla yanlış sınıflandırılma konusunda gerçekten anlamlı bir şey vardı.”

Daha sonra, bu benzer yanlış sınıflandırmaların bu bireylerin beyinlerindeki farklılıklarla açıklanıp açıklanamayacağını araştırdılar. Ama tutarlı farklılıklar yoktu. Bunun yerine, yanlış sınıflandırmaların yaş ve eğitim gibi sosyodemografik faktörlerle ve semptom şiddeti gibi klinik faktörlerle ilişkili olduğunu buldular.

Sonunda, modellerin tek başına bilişsel yeteneği yansıtmadığı sonucuna vardılar. Greene, bunun yerine daha karmaşık “profiller” – bilişsel yeteneklerin ve çeşitli sosyodemografik ve klinik faktörlerin bir çeşit karışımını yansıtıyorlardı.

“Ve modeller, bu klişe profile uymayan herkesi başarısızlığa uğrattı” dedi.

Bir örnek olarak, çalışmada kullanılan modeller, daha fazla eğitimi bilişsel testlerde daha yüksek puanlarla ilişkilendirmiştir. Daha az eğitimli ve iyi puan alan kişiler, modelin profiline uymuyordu ve bu nedenle sıklıkla hatalı bir şekilde düşük puanlı oldukları tahmin ediliyordu.

Sorunun karmaşıklığına ek olarak, modelin sosyodemografik bilgilere erişimi yoktu.

Greene, “Sosyodemografik değişkenler bilişsel test puanına gömülüdür” dedi. Esasen, bilişsel testlerin nasıl tasarlandığına, uygulandığına, puanlandığına ve yorumlandığına ilişkin önyargılar, elde edilen sonuçlara sızabilir. Ve önyargı diğer alanlarda da bir sorundur; araştırmalar, örneğin girdi verisi yanlılığının ceza adaleti ve sağlık hizmetlerinde kullanılan modelleri nasıl etkilediğini ortaya çıkardı.

Greene, “Yani test puanlarının kendileri, bilişsel yetenek ve bu diğer faktörlerin bileşimleridir ve model, bileşimi tahmin ediyor” dedi. Bu, araştırmacıların belirli bir testle gerçekte neyin ölçüldüğü ve dolayısıyla bir modelin neyi öngördüğü hakkında daha dikkatli düşünmeleri gerektiği anlamına gelir.

Çalışma yazarları, sorunun nasıl azaltılacağına dair çeşitli öneriler sunar. Çalışma tasarımı aşamasında, bilim adamlarının yanlılığı en aza indiren ve kullandıkları ölçümlerin geçerliliğini en üst düzeye çıkaran stratejiler kullanmaları gerektiğini öne sürüyorlar. Ve araştırmacılar veri topladıktan sonra, kalan basmakalıp profilleri düzelten istatistiksel yaklaşımları mümkün olduğunca sık kullanmalıdırlar.

Araştırmacılar, bu önlemleri almanın, incelenen bilişsel yapıyı daha iyi yansıtan modellere yol açacağını söylüyor. Ancak, önyargıyı tamamen ortadan kaldırmanın olası olmadığını, bu nedenle model çıktısını yorumlarken kabul edilmesi gerektiğini belirtiyorlar. Ayrıca bazı ölçüler için birden fazla modelin gerekli olduğu ortaya çıkabilir.

Yale Tıp Fakültesi’nde radyoloji ve biyomedikal görüntüleme profesörü ve çalışmanın kıdemli yazarı Todd Constable, “Farklı insan grupları için farklı modellere ihtiyaç duyacağınız bir nokta olacak” dedi. “Bir model herkese uymaz.”

Kaynak ve İleri Okuma: https://www.sciencedaily.com/releases/2022/08/220824152333.htm

İlgili Makaleler

Başa dön tuşu